incidencia de la dilatación pupilar como variable predictiva del
TRANSCRIPT
UNIVERSIDAD DE CHILEFACULTAD DE CIENCIAS FISICAS Y MATEMATICASDEPARTAMENTO DE INGENIERIA INDUSTRIAL
INCIDENCIA DE LA DILATACION PUPILAR COMO VARIABLEPREDICTIVA DEL COMPORTAMIENTO DE LOS USUARIOS EN UNA
PAGINA WEB ANTES DE TOMAR UNA DECISION
MEMORIA PARA OPTAR AL TITULO DE INGENIERO CIVILINDUSTRIAL
JOAQUIN NICOLAS JADUE MUSALEM
PROFESOR GUIA:JUAN DOMINGO VELASQUEZ SILVA
MIEMBROS DE LA COMISION:PEDRO MALDONADO ARBOGASTALBERTO CABEZAS BULLEMORE
SANTIAGO DE CHILEMARZO 2014
Resumen Ejecutivo
El objetivo general del presente trabajo es la implementacion de metodologıas para estu-diar la incidencia de la dilatacion pupilar como variable predictiva de la toma de decisionde usuarios que navegan a traves de sitios web. Esta memoria busca encontrar patrones decomportamiento de la pupila en usuarios web al momento de tomar una decision, utilizandoherramientas de Data Mining, Eye-Tracking y Dilatacion Pupilar.
Este estudio es un apoyo al proyecto FONDEF adjudicado por la Universidad de Chile,titulado Plataforma informatica basada en web-intelligence y herramientas de analisis de ex-ploracion visual para la mejora de la estructura y contenido de sitios web (AKORI: AdvancedKernel for Ocular Research and web Intelligence), el cual busca paquetizar una metodologıade mejoramiento de sitios web.
La metodologıa a utilizar en este trabajo, es el metodo cientıfico, apoyado por el analisisKnowledge Discovery in Databases (KDD) de minerıa de datos. La hipotesis a validar es:
“Los cambios del diametro de la pupila en el tiempo son una variable predictiva depen-diente relevante en las tomas de decision proximas”.
Se realiza un experimento en el cual se presentan distintos objetos de valencia neutros dela base de datos IAPS, organizados ene 90 categorıas distintas, y el sujeto de prueba de elegiruno de los objetos haciendo click con el mouse. No hay un criterio de de decision impuestoen la instruccion. La instruccion es: Se le presentara un set de 9 imagenes en una grilla de3x3. Haciendo click con el mouse, elija una de las imagenes....
Para validar la hipotesis planteada, se realiza un experimento en que usuarios web naveganpor un sitio, dada una instruccion y a traves de herramientas de eye-tracking y dilatacionpupilar, se obtienen medidas periodicamente del diametro de la pupila, y la coordenada en lapantalla el cual el sujeto esta mirando. Se utilizan distintos metodos de minerıa de datos paravalidar la hipotesis, buscando la relacion entre la data y la toma de decision. Se define unatoma de decision como el momento en que el sujeto de prueba hace un click en la pantalla.
El experimento revela resultados favorables, validando la hipotesis con una confianza del95%. Se genera un clasificador utilizando herramientas de minerıa de datos. Se utilizanlos metodos de clasificacion binaria: Support Vector Machine; Accuracy de 72%, RegresionLogıstica; Accuracy de 75%, y Redes Neuronales; Accuracy de 82%. Se concluye que ladilatacion pupilar muestra patrones de comportamiento marcados en relacion con las tomasde decisiones.
i
RESUMEN DE LA MEMORIA
PARA OPTAR AL TITULO DEINGENIERO CIVIL INDUSTRIALPOR : JOAQUIN JADUE MUSALEMFECHA: 17/03/2014
PROF. GUIA: SR. JUAN VELASQUEZ
A mis padres por su confianza de aceroA mis amigos por su apoyo incondicional
Agradecimientos
Me gustarıa agradecer en primer lugar a mis padres, ya que sin ellos, no podrıa estardonde hoy en dıa estoy. A mis companeros de Ingenierıa, desde primer ano hasta los quecontinuaron conmigo hasta el ultimo ano, por su apoyo y carino.
Quiero agradecer al profesor Juan Velasquez por toda la confianza y paciencia que siempreentrega. Agradecer tambien por permitirme entrar al proyecto AKORI y al grupo de WI.Pero en especial, quiero agradecer por su apoyo constante en todo tipo de situaciones y sucarino como mentor y amigo.
Quiero agradecer a todo el equipo de La Salita por estar siempre apoyando cada una demis locuras. Agradecer tambien a todo el equipo del Laboratorio de Neurosistemas de laFacultad de Medicina, por la confianza y apoyo que me entregaron, en especial a el profesorEnzo Brunneti por todo su tiempo dedicado a mi trabajo, a Kristofher Munoz por apanarsiempre y por ultimo al profesor Pedro Maldonado por su excelente feedback y apoyo.
Finalmente, un gran Gracias para todos los que me acompanaron en este largo caminode la universidad.
Joaquın Nicolas Jadue Musalem
iii
Tabla de ContenidoResumen Ejecutivo i
Agradecimientos iii
1 Introduccion 11.1 Antecedentes Generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2 Descripcion del proyecto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41.3.2 Objetivos Especıficos . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Metodologıa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41.5 Contribuciones de la Memoria . . . . . . . . . . . . . . . . . . . . . . . . . . 61.6 Alcance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61.7 Estructura de la Memoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Marco Teorico 92.1 Dilatacion Pupilar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.1 Sistema Visual y Oculomotor . . . . . . . . . . . . . . . . . . . . . . 92.1.2 Pupila . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122.1.3 Sistema de Medicion . . . . . . . . . . . . . . . . . . . . . . . . . . . 142.1.4 Dilatacion Pupilar y Procesos Cognitivos . . . . . . . . . . . . . . . . 172.1.5 International Affective Picture System (IAPS) . . . . . . . . . . . . . 17
2.2 Proceso KDD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182.2.1 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202.2.2 Tecnicas de Clasificacion . . . . . . . . . . . . . . . . . . . . . . . . . 212.2.3 Evaluacion de Metodos de Clasificacion [1] . . . . . . . . . . . . . . . 27
3 Experimento 303.1 Diseno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.1.1 Instrumentacion y Software . . . . . . . . . . . . . . . . . . . . . . . 303.1.2 Sitio Web e Imagenes . . . . . . . . . . . . . . . . . . . . . . . . . . . 333.1.3 Grupo Experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . 343.1.4 Protocolo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353.1.5 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Implementacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393.2.1 Sitio Web e Imagenes . . . . . . . . . . . . . . . . . . . . . . . . . . . 393.2.2 Grupo Experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . 413.2.3 Protocolos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413.2.4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4 Analisis y Resultados 444.1 Proceso KDD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.1.1 Seleccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 454.1.2 Pre-Procesamiento y Transformacion . . . . . . . . . . . . . . . . . . 474.1.3 Minerıa de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.2 Mapas de Calor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
iv
5 Conclusiones 585.1 Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Bibliografıa 61
v
Indice de Tablas
3.1 Caracterısticas SR Research Eyelink 1000. . . . . . . . . . . . . . . . . . . . 313.2 Lista de categorıa de objetos utilizados en el experimento con valencia netra
segun IAPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.1 Resultados clasificador binario. . . . . . . . . . . . . . . . . . . . . . . . . . 54
vi
Indice de Figuras
2.1 Detalle de componentes del globo ocular . . . . . . . . . . . . . . . . . . . . 102.2 Imagen de una pupila vista por una camara infrarroja . . . . . . . . . . . . . 122.3 Dilatacion pupilar en estudio de Bradley 2008 . . . . . . . . . . . . . . . . . 132.4 Tobii Eye-Tracker incorporada a un LCD . . . . . . . . . . . . . . . . . . . . 142.5 Scanpaths de 100 usuarios viendo un carrito de compras . . . . . . . . . . . 152.6 SAM: Self-Assessment Manikin . . . . . . . . . . . . . . . . . . . . . . . . . 182.7 Pasos del proceso Knowledge Discovery in Databases . . . . . . . . . . . . . 202.8 Esquema de los paradigmas de la minerıa de datos . . . . . . . . . . . . . . . 212.9 Ejemplo de arbol de decision. . . . . . . . . . . . . . . . . . . . . . . . . . . 222.10 Estructura de redes neuronales. . . . . . . . . . . . . . . . . . . . . . . . . . 242.11 Transformacion del hiperplano separador a traves de una funcion Kernel . . 27
3.1 Servidor anfitrion ejecutando software de calibracion. . . . . . . . . . . . . . 333.2 Ejemplo de pagina de eleccion para la categorıa bancas . . . . . . . . . . . . 363.3 Pagina de bienvenida de experimento . . . . . . . . . . . . . . . . . . . . . . 403.4 Sujeto de prueba conectado al eye-tracker realizando experimento. . . . . . . 42
4.1 Senal extraıda de mediciones con EyeLink . . . . . . . . . . . . . . . . . . . 454.2 Zoom a intervalo de un mosaico en senal extraıda . . . . . . . . . . . . . . . 464.3 Clusters formados por posicion (x,y) de experimento para sujeto 14 . . . . . 464.4 Correccion de artefactos producidos por parpadeos. . . . . . . . . . . . . . . 474.5 Eliminacion de offsets producidos por sacadas . . . . . . . . . . . . . . . . . 484.6 Zoom a la senal pupilar al aplicar filtro de altas frecuencias . . . . . . . . . . 494.7 Comportamiento donde se ve patron de sacada-fijacion asociado al id del objeto 494.8 Orden de asignacion de identificador a grilla de objetos en experimento . . . 514.9 Promedio inter-sujeto para curvas de decision y no decision de dilatacion
pupilar normalizada versus tiempo . . . . . . . . . . . . . . . . . . . . . . . 524.10 Promedio de todos los sujetos para curvas decision y no decision de dilatacion
pupilar normalizada versus tiempo . . . . . . . . . . . . . . . . . . . . . . . 534.11 Curva ROC del experimento utilizando redes neuronales como clasificador . . 554.12 Mapa de calor de fijaciones promedio de todos los sujetos para la categorıa
vestidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 564.13 Mapa de calor de dilatacion pupilar promedio de todos los sujetos para la
categorıa vestidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
vii
1 Introduccion
En este capıtulo se introduce al lector los distintos aspectos de este trabajo de tıtulo. Se
presentan los antecedentes generales del trabajo. Consiguiente se describe el proyecto, con
respecto al experimento, contexto y motivacion de su realizacion. Se describe el objetivo
general del trabajo, los objetivos especıficos necesarios para alcanzar el objetivo general y la
hipotesis a validar. Luego se detalla la metodologıa a utilizar y los resultados esperados en
base al alcance del proyecto. Finalmente, se muestra la estructura del informe de memoria.
1.1 Antecedentes Generales
¿Que tan importante es entender el comportamiento humano en los sitios Web? ¿Cuales
son las herramientas que tenemos a mano para analizar este comportamiento? ¿Cual es la
forma ideal de obtener estos datos tan abstractos? Las respuestas a estas preguntas nos
beneficiaran de distintas maneras. Primero, la compresion de los cambios del fenomeno Web
es esencial para poder reaccionar de forma eficiente a las distintas necesidades de los usua-
rios. Segundo, El uso correcto de distintas herramientas de analisis, permite tener distintos
enfoques que se puedan adaptar a distintas situaciones. Y por ultimo, un correcto analisis
permite tomar decisiones claves en la definicion de la estructura y el contenido de los sitios
Web. En particular, un mejor entendimiento del comportamiento del usuario nos permitira
realizar inferencias mas exactas acerca de como debemos estructurar los sitios y su contenido.
Si comenzamos con el analisis de datos web, un area de estudios en particular es la que
toma relevancia: Web Mining, que estudia las distintas maneras de extraer informacion de la
data generada por la Web . Esta area nace de la aplicacion de herramientas de Data Mining
al contenido originado en la Web, con el fin de obtener informacion valiosa para mejorar
la estructura, diseno y contenido de los sitios [2]. Para poder aplicar tecnicas de Data
Mining al contenido, en [3] son definidos los Web Objects como “cualquier grupo de palabras
estructuradas o un recurso multimedia, presente en una pagina web, que tenga metadata
que describa su contenido” y dentro de estos, los Website KeyObjects, definidos por [2],
que capturan la atencion de los usuarios y caracteriza el contenido de un sitio Web. El
reconocimiento de los Website KeyObjects permite redisenar el contenido y estructura de los
sitios con el fin de su mejoramiento continuo. Para esto, en [4] se define una metodologıa
para el reconocimiento de estos Website KeyObjects, pero, para aplicar la metodologıa, surge
1
la necesidad de reconocer el tiempo de permanencia de los usuarios en cada Web Object, por
lo que es necesario implementar herramientas para el reconocimiento de estos tiempos.
En [4] se propone el uso de encuestas y el proceso de Sesionalizacion, que permite recon-
struir las sesiones de usuario, donde las sesiones, son secuencias de paginas Web visitadas
por un usuario mientras navega por un sitio. Con estas dos herramientas, es posible estimar
el tiempo de permanencia en cada Web Object. Hoy en dıa, gracias al acceso a los archivos
de web log, no es difıcil reconstruir las sesiones, por lo que se logra estimar el tiempo de
permanencia en cada Web Object, pero las encuestas a usuarios, en las cuales se les pide
asignar puntaje a los Web Object dentro del sitio con el fin de definir su importancia, siguen
siendo subjetivas y poco fiables, por lo que las estimaciones no son muy exactas. Es por esto
que en [4] se ha sustituido las encuestas con el analisis de pupila a traves de la herramienta de
Eye-Tracking. La tecnologıa de Eye-tracking permite saber lo que la persona esta mirando en
funcion del tiempo [5], por lo que si asociamos lo que la persona esta mirando, a Key Objects,
podemos medir con mayor exactitud el tiempo de permanencia, sin depender de encuestas,
para luego identificar los Website KeyObjects con la metodologıa propuesta, logrando hasta
un 20% de mejora en la informacion encontrada utilizando un Eye-Tracker [2].
Lo ultimo abre nuevas posibilidades de aplicar distintas herramientas para la recoleccion
de datos de comportamiento humano para el analisis del comportamiento de los usuarios
en los sitios web. Dentro de estas herramientas se encuentra la aplicacion de un Electroen-
cefalograma mientras el usuario navega el sitio y combinar la informacion obtenida por la
Sesionalizacion, la aplicacion del Eye-Tracking y el Electroencefalograma, para ası detectar
con aun mayor precision la importancia de cada Website KeyObjects a traves de Web Mi-
ning. Por otro lado, existe la posibilidad de guardar en cada instante la dilatacion actual de
la pupila, otorgando informacion extra, antes nunca utilizada para el mejoramiento de sitios
web.
De ahı nace AKORI (de la sigla en ingles “Advanced Kernel for Ocular Research and
web Intelligence”), un proyecto FONDEF que se adjudico la Universidad de Chile, que tiene
como fin desarrollar una plataforma informatica basada en Web Intelligence y herramientas
de analisis de exploracion visual para la mejora de la estructura y contenido de sitios web.
Este proyecto une profesores, memoristas y alumnos de la Facultad de Ciencias Fısicas y
Matematicas (en particular el departamento de industrias) y la Facultad de Medicina (Centro
de Neurociencias Integradas), de la Universidad de Chile. El area de desarrollo es Tecnologıas
de la Informacion y Comunicacion, en conjunto con el area de Neurociencias.
Dada la metodologıa definida en [4], se propone en este trabajo de tıtulo, reconocer tomas
2
de decision a traves de la dilatacion pupilar, lo que, si es que existe una correlacion entre la
dilatacion pupilar y las tomas de decisiones, puede aportar con informacion relevante sobre
la importancia que puede tener un Web Object, con el fin de mejorar el ranking de estos
y ser mas eficaces para definir los Web Key Objects. Es por esto que, dado el objetivo del
proyecto AKORI de generar una metodologıa que permita el mejoramiento de paginas web
y los esfuerzos que se estan haciendo en conjunto con la Facultad de Medicina, el hecho de
mejorar la metodologıa de mejoramiento de sitios web, es clave para el resultado del proyecto.
El proyecto AKORI tiene el apoyo docente e instalaciones de la Facultad de Ciencias
Fısicas y Matematicas (FCFM) y del Centro de Neurociencias Integradas (CENI). Tambien
se adjudico un concurso de ciencia aplicada del programa IDeA de FONDEF-CONICYT
2012, otorgando $115.000.000 para cubrir costos de los experimentos, compra de maquinas y
sueldos. Con estos fondos son realizados los experimentos necesarios para validar las hipotesis
planteadas dentro del proyecto.
1.2 Descripcion del proyecto
Esta memoria tiene como objetivo aportar al proyecto AKORI, en el ambito de la toma
de decisiones de las personas, al momento de navegar por un sitio web, utilizando herramien-
tas de Eye-Tracking, dilatacion pupilar, estadıstica y minerıa de datos. Se busca detectar
una toma de decision antes de hacer un click en un sitio web, con el fin de aportar en los
conocimientos sobre el comportamiento de las personas.
Esta memoria analiza los cambios en la dilatacion de la pupila de sujetos de prueba,
mientras navegan a traves de paginas web. Mide en cada instante, a traves de herramientas
de Eye-Tracking y dilatacion de pupila, el punto el cual esta mirando el sujeto y el diametro
de su pupila. Se busca a traves de esto, aislar los cambios del diametro de la pupila que
predigan tomas de decisiones. Se define una toma de decision para esta memoria, como:
El acto visible en el cual el sujeto hace un click, en un instante de tiempo, sobre una de las
opciones presentadas, dada una instruccion previa de inspeccion visual libre y eleccion.
En base a los experimentos a realizar, se busca establecer una correlacion entre la toma de
decision y la pupila como marcador fisiologico, todo asociado al proceso de toma de decision,
ya que, en el caso de que la dilatacion pupilar sea una clase de marcador fisiologico, entonces
la dilatacion pupilar es util como predictor del evento. Finalmente la hipotesis a validar es
que:
3
“Los cambios del diametro de la pupila en el tiempo son una variable predictiva dependiente
relevante en las tomas de decision proximas.”
1.3 Objetivos
Este trabajo persigue los siguientes objetivos:
1.3.1 Objetivo General
El objetivo general del proyecto es:
Desarrollar una funcion clasificadora de tomas de decisiones, que permita encontrar pa-
trones de comportamiento de la pupila en usuarios web al momento de tomar una decision,
utilizando herramientas de estadıstica, Data Mining, Eye-Tracking y Dilatacion Pupilar.
1.3.2 Objetivos Especıficos
Los objetivos especıficos de este trabajo de tıtulo se listan a continuacion:
1. Recopilar y procesar informacion sobre el estado del arte del comportamiento de la
dilatacion de la pupila de usuarios web.
2. Analizar el estado del arte de los sistemas de eye-tracking.
3. Analizar el estado del arte del analisis de la dilatacion pupilar.
4. Desarrollar experimentos que permita encontrar patrones de comportamiento de la
pupila al tomar decisiones.
5. Definir la dilatacion pupilar como marcador fisiologico y variable predictiva en el tiempo
de la toma de decision.
6. Proponer metodologıa de mejoramiento de sitios web, dada la informacion obtenida y
procesada.
7. Analizar y concluir basado en los resultados y proponer investigacion futura.
1.4 Metodologıa
Busca alcanzar paulatinamente los objetivos especıficos recientemente planteados. Como
primer alcance se revisa los contenidos existentes sobre dilatacion pupilar, toma de decisiones
y los modelos de comportamiento del usuario web.
4
Como segundo paso, se utilizara el metodo cientıfico y analisis KDD [2.2]:
1. Formular hipotesis a validar: la fase donde se define el concepto que se quiere
revisar, utilizando el conocimiento y las herramientas que se poseen.
2. Comprension de los datos: esta etapa es donde se analizan los datos con el fin de
llegar a un entendimiento completo. Es tambien donde los requisitos de informacion
necesarios son definidos a desarrollar el experimento.
3. Disenar y proponer experimentos tentativos para validar la hipotesis: el
experimento se desarrolla con el fin de validar la hipotesis.
4. Hacer analisis de KDD a la datos
(a) Seleccion, limpieza, transformacion y procesamiento de datos obtenidos en experi-
mentos: en esta etapa se extrae la data obtenido por a traves del experimento, para
luego ser pre-procesada, limpiada y transformada. Dentro de la transformacion se
puede deducir nueva informacion a traves de la combinacion de variables.
(b) Aplicar proceso de minerıa de datos: esta etapa se aplican modelos de clasificacion
de una variable objetivo. En este caso la variable objetivo es la toma de decision.
(c) Interpretacion y evaluacion de los datos: en esta etapa se evaluan los resultados
del modelo aplicados en la etapa anterior, siempre en contexto de la validacion de
la hipotesis.
(d) Transformacion de datos/informacion a conocimiento: etapa de interpretacion y
evaluacion donde el conocimiento es descubierto.
5. Validar de la hipotesis: dado el conocimiento descubierto, se procede a validar la
hipotesis a traves de metodos estadısticos.
6. Generar conclusiones y propuestas de mejoramiento de sitios web.
Debido a que en este trabajo se utiliza una mezcla de metodologıas, los ajustes necesarios
para la metodologıa seran:
Primero entender cuales son los objetivos del proyecto para compararlos con los resultados
esperados. Tambien definir cual es el ambiente en el cual se deben desarrollar algoritmos y
experimentos, entiendo que tecnologıas y conocimientos se necesitan.
Luego, se realiza el experimento para capturar la data, tomando en cuenta los sujetos de
prueba que pueden participar de este, el tipo y cantidad de datos de salida y las herramientas
necesarias para el pre-procesamiento y tratamiento de los datos.
5
La siguiente etapa es el pre-procesamiento de los datos. Esto incluye la limpieza, selec-
cion y transformacion de variables. Luego, el analisis de los registros y la identificacion de
los outliers. Dentro de la limpieza de los datos, incluye el reconocimiento y extraccion de
los errores por parpadeos, fijaciones de mirada fuera de la pantalla, errores causados por
hardware, entre otros.
Lo siguiente es aplicar transformaciones a las series de tiempo de la dilatacion pupilar,
para rescatar mayor informacion de cada ensayo y definir las observaciones a utilizar.
Por ultimo, utilizando metodos de validacion estadıstica y minerıa de datos, se procede
a evaluar, comparar y concluir con la informacion rescatada, usando distintas estrategias
propuestas.
1.5 Contribuciones de la Memoria
Los resultados esperados de este trabajo de tıtulo son:
1. Obtencion de un estado del arte sobre el comportamiento de las personas asociado a
la dilatacion pupilar, sistemas de eye-tracking y metodos de clasificacion de minerıa de
datos.
2. Validacion de la hipotesis, es decir, conclusion que la dilatacion pupilar es un marcador
fisiologico de tomas de decisiones definidas en [1.2]
3. Generar reportes estadısticos y resultados de minerıa de datos, de los datos obtenidos
en los experimentos hechos.
4. Entregar informacion util al proyecto AKORI, sobre el estudio de dilatacion pupilar
y generar resultados con el fin de aportar en desarrollar una nueva metodologıa de
mejoramiento de paginas web.
5. Una discusion que detalle el analisis hecho y de los resultados obtenidos y propuestas
futuras.
1.6 Alcance
El alcance de este proyecto de tesis es desarrollar completamente la validacion de la
hipotesis planteada. El resultado de la validacion de la hipotesis esta sujeto al experimento
que se realizara. Es decir, se utilizara solo una fuente experimental para obtener datos a
estudiar, por lo que queda abierto a otros estudios para poder revalidar la hipotesis.
6
Por otro lado, se utilizaran 3 metodos de minerıa de datos de clasificacion, con el fin de
comparar y llegar a un resultado mas robusto. Esto, debido a que el tiempo de procesamiento
y limpieza de datos es extenso y complejo para cada metodo distinto de validacion y obtencion
de resultados.
Cabe destacar que no se esta estudiando el proceso cognitivo detras de una toma de
decision, sino que se esta utilizando un marcador fisiologico para predecir el comportamiento
del sujeto en la exploracion. No se esta haciendo biologıa ni se quiere entender el proceso
de una toma de decision, simplemente, se debe mostrar que la pupila se comporta distinto
cuando la gente toma decisiones.
Por otro lado, no se esta estudiando el criterio por el cual los sujetos tomaran las decisio-
nes, se esta analizando la toma de decision de hacer click. Todas las razones de la decision
ensucian el predictor, sin embargo al mezclar todas las posibles razones por la cual las perso-
na decide, en el caso que se obtenga un resultado positivo, se logra un factor comun generico
de la decision de click. Esto, en base a que los criterios de decision, como factores, se toman
como parte de la varianza, donde en un numero suficiente de registros, se anula.
Tambien se considera que se deja fuera las componentes emocionales, a traves de la
construccion correcta del experimento.
Por ultimo, en el ambito tecnico, hay que destacar que los datos y la informacion relacio-
nada a la tecnologıa de eye-tracking y analisis se obtendra utilizando el equipo proporcionada
por la Universidad de Chile. Equipos externos son necesarios dependiendo de los recursos
disponibles para el proyecto. Por esta razon, este proyecto de memoria tiene como objetivo
validar la hipotesis planteada que utilizando no solo tecnologıa de punta, sino que tambien
las que esten disponibles para uso de los estudiantes.
1.7 Estructura de la Memoria
El resto del documento se estructura de la siguiente manera. En primer lugar, en el
Capıtulo 2 se explica el marco conceptual del proyecto de tıtulo. Se entrega las definiciones
y explicaciones necesarias usadas durante el desarrollo de este documento y que son usadas
mas adelante en la lectura de los siguientes capıtulos. Entre los conceptos que se explican son
el movimiento ocular, estımulos visuales, respuesta pupilar, tomas de decisiones, sistemas de
eye-tracking, proceso KDD y tecnicas de clasificacion de minerıa de datos.
Luego en el capıtulo 3, el diseno y requerimientos del experimento seran explicados, y
todas las componentes necesarias para reproducirlo. El equipo tecnico necesario, el desarrollo
7
del experimento a nivel web e imagenes, se caracteriza el grupo experimental deseado, el
protocolo a utilizar y la naturaleza de los datos de salida. A continuacion se explica en
profundidad la implementacion del experimento en base a lo disenado. Se revisaran conceptos
sobre el conjunto de sujetos de prueba habilitados para ser parte del experimento.
El capıtulo 4 detalla el pre-procesamiento, limpieza y transformacion de los datos, previo
a analisis y uso de modelos de minerıa de datos o estadısticos. Tambien resultados obtenidos
a traves del experimento, validacion de la hipotesis y desarrollo de un clasificador a traves
del proceso KDD.
Finalmente, en el capıtulo 5 se presentan las conclusiones del proyecto, basado en los
resultados obtenidos y en la previa investigacion hecha. Tambien se plantean nuevos enfoques
para continuar los estudios sobre el tema y como es posible mejorar este experimento.
8
2 Marco Teorico
Este capıtulo busca entregar al lector una explicacion clara de los conceptos basicos y
esenciales para los cuales esta desarrollado este trabajo de tıtulo. Esto involucra un breve
resumen de los conceptos centrales y definiciones, que son utilizados en la lectura. La pri-
mera seccion hace referencia a la dilatacion pupilar, los componentes del ojo y los metodos
de medicion de este. A continuacion se relata sobre la base de datos de IAPS (Internatio-
nal Affective Picture System), para terminar con el proceso KDD (Knowledge Discovery in
Databases).
2.1 Dilatacion Pupilar
La principal caracterıstica que estudia este trabajo de tıtulo, son los cambios de dilatacion
pupilar en los sujetos mientras realizan tareas asociadas a tomas de decision. Es por esto que
esta seccion desarrolla el sistema donde ocurre la dilatacion de la pupila. Primero describe
los componentes del sistema visual, comportamiento de la pupila, los sistemas de medicion
pupilar y por ultimo la relacion entre la dilatacion pupilar y las tomas de decisiones.
2.1.1 Sistema Visual y Oculomotor
El sistema visual esta compuesto por el bulbo ocular (globo ocular), los anexos oculares, la
cavidad orbitaria, y la vıa optica comprendida desde el ojo hasta la corteza y sus respectivas
areas de asociacion [6]. En particular, dado el interes de este trabajo sobre la dilatacion
pupilar, esta seccion se centra en el globo ocular y los anexos oculares. A continuacion se
presentan los componentes principales del ojo [7]:
1. Globo Ocular: Es una estructura semiesferica, cavitadad. Esta compuesto principal-
mente por tres capas concentricas: Tunica fibrosa, la Tunica vascular o uvea y Tunica
nerviosa o retina.
2. Cornea: Es el principal poder dioptrico del bulbo ocular, siendo su diametro horizontal
ligeramente mayor al vertical. Su forma es prolata, es decir mas curva en el centro que
en la periferia, y su espesor central es menor que hacia la periferia. Es transparente y
refracta la luz que pasa a traves de ella.
9
3. Esclera: Membrana de aspecto blanco nacarado, de poca elasticidad, escasamente
celular. Es la encargada de dar la forma y proteger los componentes internos del globo
ocular.
4. Coroides: Membrana ubicada desde el margen del disco optico por posterior y la ora
serrata por anterior. Su funcion es proveer nutrientes a los componentes del globo
ocular y mantener la temperatura constante.
5. Pupila: Esta ubicada en el centro del iris, por lo que permite que entre la luz al globo
ocular. Es una estrucutra que puede dilatarse y contraerse, por lo que su funcion es
regular la cantidad de luz que recibe la retina.
6. Cuerpo Ciliar: comprendido entre la ora serrata por posterior y la raız del iris por
anterior. Esta constituido por el musculo ciliar, los procesos ciliares y la zonula ciliar.
7. Iris: corresponde a un verdadero diafragma que regula el paso de la luz hacia la retina,
a traves de un orificio central llamado pupila. Se inserta a traves de la llamada raız del
iris en el espolon escleral y el cuerpo ciliar.
8. Retina: Se extiende desde los margenes del disco optico o papila (punto de salida del
nervio optico del bulbo ocular) hasta la ora serrata por anterior. Desde la ora serrata
hasta la golilla pigmentaria solo continua el EPR, constituyendo la llamada retina no
visiva, la cual reviste internamente al cuerpo ciliar y al iris. La luz que llega a la retine
crea ua secuencia de fenomenos quımicos y electricos que son enviados como impulsos
al cerebro a traves del nervio optico.
La ubicacion de estas componentes son descritas en la figura 2.1.
Figuras 2.1: Detalle de componentes del globo ocularFuente: Imagen de [6].
10
Para tratar un objeto especıfico o la posicion en un estımulo visual, las personas tienen
que mover sus ojos, por cuanto la agudeza de la retina del ojo humano cae rapidamente cae
con el diametro de la fovea, que es la parte central y mas sensible de la retina directamente
en frente de la lente, con una alta concentracion de celulas fotorreceptoras sensibles al color.
Esto hace interesante estudiar movimientos de ojo como los indicadores de comportamiento
de adquisicion de la informacion [8].
Cabe destacar que aun cuando el sistema visual esta compuesto por dos organos receptores
(ambos ojos), el sistema solo recibe una unica imagen. Esto se consigue haciendo que ambos
ojos miren un mismo objeto. Los ojos se mueven al unısono en la orbita debido a un fino y
delicado mecanismo oculomotor [9].
Dado que se esta buscando metodologıas de recoleccion de informacion sobre el com-
portamiento humano, en particular de los usuarios Web, si los ojos nos pueden otorgar la
informacion de cuando se toma la decision de dejar de tomar atencion a un Web Object,
se vuelve bastante interesante el estudio del movimiento ocular, para estimar tiempos de
permanencia en cada estımulo. Dado que cada Web Object esta limitado por un grupo de
pixeles, podemos saber, con gran exactitud, cuanto tiempo un usuario web ha visualizado
parte de la pagina [2].
Segun [10] los movimientos en nuestros ojos son dos componentes bastante distintas:
Fijaciones y Sacadas. Las sacadas son saltos rapidos de nuestros ojos, que duran cerca de 20
a 40 ms, que sirven para proyectar lugares especıficos de una escena en la fovea, de hecho,
las sacadas son los movimientos mas rapidos en el cuerpo humano y se hacen hasta siete mil
de ellos al dıa. Las fijaciones, en cambio, son los momentos en que el ojo esta relativamente
quieto. Estas detenciones duran hasta 500 milisegundos [11]. Durante una fijacion, parte
de la escena es proyectada en la fovea para su procesamiento. Las fijaciones se pueden ver
como muchas fotos que el cerebro procesa y las une formando una especie de video, dando
la sensacion de continuidad visual.
Dado un momento en el tiempo, solo el 8% del campo visual es proyectado en la fovea y
disponible para un procesamiento en detalle. Sin embargo, aunque se envıe mas informacion
de la que el cerebro puede procesar, el ser humano ha evolucionado mecanismos de atencion
para procesar solo un subconjunto de informacion relevante para un mejor procesamiento.
En otras palabras, una vez que el cerebro elige un objeto o lugar de interes, todo el resto
es automaticamente excluido del procesamiento, para alivianar el proceso. Es por esto que,
algunos estımulos visuales pueden influenciar mas la atencion. De esta manera, un objeto
o estımulo visual aparece instantaneamente en la primera fijacion visual, si es que en el
11
pre-procesamiento de la atencion, hubo alguna caracterıstica perceptual que resalto frente
a las demas. Dentro de estas caracterısticas basicas perceptuales, se encuentran los colores,
esquinas, luces, formas y tamanos en la escena. Debido al pre-procesamiento que el cerebro
realiza, la percepcion de estas caracterısticas es involuntaria, es decir, inevitable.
2.1.2 Pupila
El diametro de la pupila y su dinamismo es controlado por dos caminos sinergicos que ope-
ran en los suaves musculos de la pupila: El camino parasimpatico es regulado por el complejo
oculomotor Edinger Westphal en el cerebro medio e inerva el esfınter que es el musculo circu-
lar responsable de su constriccion. El camino simpatico, regulado por el hipotalamo, inerva
el musculo dilatador radial del iris responsable de su dilatacion. Excitaciones simpaticas son
causadas por la dilatacion pupilar [12].
Tambien esta vastamente documentado que procesos cognitivos inhiben el nucleo Edinger
Westphal causando la relajacion del musculo esfınter, contribuyendo a la dilatacion de la
pupila [13]. Informacion sensorial visceral, somatica y asociada al olfato, estan todas relacio-
nadas con el hipotalamo y convergen en el sistema de fibra somatico eferente. Es sabido por
decadas que producen una dilatacion pupilar. En la figura 2.2 se como la pupila es vista a
traves de una camara infraroja.
Figuras 2.2: Imagen de una pupila vista por una camara infrarrojaFuente: Imagen de [14].
El comportamiento de la pupila ha demostrado estar correlacionada con diversos estados
12
del ser humano, tales como estres, valencias emocionales y tomas de decisiones ası como
tambien estımulos comunes como variaciones de luminancia del entorno [15] [16]. Se puede
ver en investigaciones recientes que el tamano de la pupila y conductas asociadas generan un
marcador fisiologico interesante que manifiesta de manera externa diversas variables internas
de un ser humano, pero esto a la vez es un arma de doble filo ya que son tantos los estımulos
que influyen en la respuesta pupilar que se debe ser cuidadoso al momento de experimentar y
formular hipotesis respecto a su conducta: se debe asegurar que cada experimento aısle de la
mejor manera posible el o los estımulos a estudiar y evitar la contaminacion de la respuesta
por estımulos ajenos. En la figura 2.3 se como la pupila reacciona distinto frente a varios
niveles de luminancia.
Figuras 2.3: Dilatacion pupilar en estudio de Bradley 2008Fuente: Imagen adaptada de [17].
Dentro de las caracterısticas tıpicas de la respuesta pupilar frente a estımulos: primero
cabe notar que esta suele ser una respuesta relativamente lenta a estımulos, del orden de
los segundos, lo cual limita en parte su estudio debido a que estımulos cercanos rapidos
no producen figuras separadas. En segundo lugar se puede notar que existe una tıpica
contraccion para un tiempo cercano a 1 [s] que luego se va atenuando en el tiempo, este
comportamiento es la tıpica reaccion frente a estımulos para la pupila [18].
13
2.1.3 Sistema de Medicion
Funcionamiento
Dado un estımulo, una combinacion de fijaciones y sacados se le llama un Scanpath [19].
El Eye-Tracker graba los Scanpath que los sujetos de prueba ejecutan, dado un estımulo
visual. El Eye-Tracker mas tıpico para propositos comerciales, es el que usa la metodologıa
de la reflexion infrarroja de la cornea, que mide la distancia y el angulo de reflexion de
luz infrarroja del centro de la pupila a un determinado punto de fijacion de una persona,
claramente, despues de haberlo calibrado [20].
Figuras 2.4: Tobii Eye-Tracker incorporada a un LCDFuente: Imagen de [21].
Desde camaras incorporadas a LCDs 2.4 a estructuras donde el usuario no puede mover
libremente la cabeza, son los sistemas de Eye-Tracking. Entre las caracterısticas mas impor-
tantes que definen la calidad de un Eye-Tracker son: costo, libertad de movimiento de cabeza,
tiempo de calibracion, condiciones de exposicion natural, diferencias de luz, posibilidad de
utilizacion con anteojos, output de datos, software asociado, entre otras [22].
14
Figuras 2.5: Scanpaths de 100 usuarios viendo un carrito de comprasFuente: Imagen de [14].
Tecnicas de Eye-Tracking
Segun [2], se han desarrollado 3 tecnicas distintas para la obtencion de los datos de un
Eye-Tracker.
Electrooculografıa: En los 1950s, segun [23] la electrooculografıa era la tecnica de eye-
tracking mas usada. Estaba basada en la medicion de los cambios de potencial electrico en
la piel a traves del uso de electrodos localizados alrededor de los ojos. Esto es posible ya
que la cornea se mantiene algunas decimas de mV mas positiva que la retina, lo que produce
la diferencia de potencial que es medida, y que varıa de acuerdo al movimiento de los ojos.
Este tecnica mide la posicion relativa de los ojos con respecto a la cabeza; por lo tanto, no
es apropiado para calcular el punto de atencion [24]
Lentes de Contacto Esclerales: Esta tecnica consiste en adjuntar una fuente optica
o mecanica, a unos lentes de contacto para ser usados directamente en los ojos. Es necesario
que el lente de contacto sea particularmente grande, por lo que se extiende sobre la cornea
y la esclerotica, una membrana de color blanco, gruesa, resistente, rica en fibras de colageno
15
que cubre al ojo, ya que ası reduce la posibilidad de moverse a traves del ojo [25]. Diferentes
tipos de fuentes de lentes de contacto han sido utilizadas, siendo la mas comun un pequeno
rollo, el cual puede colocarse externamente, aplicando un campo electromagnetico. Mientras
que es una de las tecnicas mas precisas para medir los movimientos oculares, tambien es la
mas invasiva, por lo que causa molestias mientras se esta usando.
Reflexion de la Cornea y Centro de la Pupila en Video: Esta es la tecnica de
Eye-Tracking que mas se usa en estos dıas. Consiste en un computador de escritorio estandar
con una camara infrarroja montada debajo del monitor, con un software de procesamiento
de imagenes para localizar e identificar la reflexion de la cornea y el centro de la pupila. Con
estas caracterısticas, es posible disociar movimientos oculares de la posicion de la cabeza, lo
que hace posible calcular los puntos de atencion de los usuarios [26].
Representacion de los Datos
En terminos generales, una vez que el Eye-Tracker ha rastreado la data de la retina, el
software crea un vector de informacion con un conjunto de los parametros medidos. La data
que se obtiene con el Eye-Tracker se puede resumir como lo siguiente:
1. Timestamp: Fecha y hora en milisegundos cuando la data fue reunida.
2. Gaze Point X Left: Posicion horizontal en la pantalla que el ojo izquierdo esta
observando.
3. Gaze Point Y Left: Posicion vertical en la pantalla que el ojo izquierdo esta obser-
vando.
4. CamX Left: La ubicacion horizontal de la pupila izquierda en la imagen de la camara.
5. CamY Left: La ubicacion vertical de la pupila izquierda en la imagen de la camara.
6. Distance Left: Distancia en milımetros desde el Eye-Tracker al ojo izquierdo.
7. Pupil Left: Diametro del ojo izquierdo en milımetros.
8. Gaze Point X Right: Posicion horizontal en la pantalla que el ojo derecho esta
observando.
9. Gaze Point Y Right: Posicion vertical en la pantalla que el ojo derecho esta obser-
vando.
10. CamX Right: La ubicacion horizontal de la pupila derecha en la imagen de la camara.
11. CamY Right: La ubicacion vertical de la pupila derecha en la imagen de la camara.
12. Distance Right: Distancia en milımetros desde el Eye-Tracker al ojo derecho.
16
13. Pupil Right: Diametro del ojo derecho en milımetros.
2.1.4 Dilatacion Pupilar y Procesos Cognitivos
No solo los estımulos luminosos, como reflejo de sistema parasimpatico resultan con una
dilatacion o contraccion pupilar. Tambien, muchos procesos cognitivos resultan en el cambio
del diametro pupilar [27]. A medida que la tarea se hace mas demandante en trabajo y
tiempo, el diametro de la pupila aumenta. Mas aun, si las demandas de procesamiento por
parte del sujeto son continuas, la dilatacion pupilar se mantendra [28]. Tales dilataciones
son asociadas a regiones del cerebro que tienen la habilidad de mantener la atencion sobre la
tarea y el procesamiento de informacion [29].
En base a los experimentos hechos por [30], un aumento en la complejidad de la tarea,
esta asociado a una mayor dilatacion pupilar. En particular, esto se intensifica, al aumentar
la cantidad de luz, debido a que el sistema parasimpatico esta mas activo. Lo contrario
sucede bajo una intensidad lumınica menor, ya que el sistema parasimpatico se inhibe.
Las dilataciones pupilares ocurren en pequenas latencias, al comienzo del proceso co-
gnitivo y disminuyen rapidamente a medida que el proceso termina. Se puede utilizar la
dilatacion pupilar como forma de medicion de el esfuerzo mental que se hace para realizar
un tarea cognitiva [27]. Por otro lado, se puede explicar que la dilatacion sea mas fuerte
en tareas mas difıciles que en tareas faciles, debido a la necesidad inmediata de la actividad
cerebral de prepararse para realizar una operacion mental.
2.1.5 International Affective Picture System (IAPS)
El International Affective Picture System (IAPS) es una base de datos compuestas por
distintas imagenes categorizadas por rango de emociones. Fue desarrollada por el Instituto
Nacional de Salud Mental para la Atencion y Emociones en la Universidad de Florida. Esta
base de datos normalmente se utiliza para realizar estudios de medidas fisiologicas o neu-
rologicas. Consta con una gama variable de tipo de imagenes, tales como muebles, animales
o personas mutiladas.
La base de datos IAPS fue construida con el fin de normalizar los estımulos emociona-
les para experimentos e investigaciones sobre la atencion y emocionalidad. Segun [31], la
existencia de este registro permite:
1. Permitir mejor control experimental en la seleccion de estımulos emocionales
17
2. Facilitar la comparacion de resultados de distintos estudios realizados en el mismo o
distinto laboratorio.
3. Alentar y permitir replicas exactas dentro y a lo largo de laboratorios de investigacion
que evaluan problemas basicos aplicados en la ciencia psicologica.
Esta base de datos fue desarrollada a traves de una tarea que consistıa en clasificar 1000
imagenes distintas. Las imagenes son presentadas a distintos sujetos, y a traves del metodo
SAM (Self-Assessment Manikin) [32], califican cada imagen en una escala de 1 a 9 ordenada
por niveles de valencia y excitacion emocional.
Figuras 2.6: SAM: Self-Assessment ManikinFuente: Imagen adaptada de [32].
2.2 Proceso KDD
El proceso de extraccion de informacion de fuentes gigantes de datos es conocido como
Knowledge Discovery in Databases(KDD) y fue definido por [33] como el proceso no trivial
de identificar patrones validos, originales, utiles y entendibles sobre los datos. El proceso
KDD segun [1], es definido como un proceso iterativo, pero secuencial, que involucra varios
pasos, los cuales es posible ir y volver de un paso, de ser necesario.
Dado este proceso, se puede relacionar pasos que tienen relacion con el pre-procesamiento
de los datos, es decir, preparar y limpiar los datos a utilizar, y el post-procesamiento, que
involucra la evaluacion e interpretacion de los datos, obtenidos por los distintos modelos de
minerıa de datos, el paso central del proceso KDD. La aplicacion de la minerıa de datos,
18
permite encontrar patrones de interes, tales como clusters, outliers, reglas de clasificacion,
arboles de decision, reglas de asociacion, regresiones, entre otras.
A continuacion se presentan los distintos pasos del proceso KDD:
1. Seleccion de los Datos: En esta etapa se elijen los datos a estudiar, siendo general-
mente un muestra del universo de datos disponibles. Para hacer la eleccion de datos, es
necesario analizar los requerimientos y objetivos del proyecto desde el punto de vista de
un experto del negocio, ya que una mala decision puede llevar a resultados de prueba
erroneos.
2. Pre-Procesamiento de Datos: Un procesamiento de los datos es hecho a traves de
software de limpieza efectuar reduccion del ruido, manejar valores faltantes, mantener
la varianza, etc. Despues de este proceso de limpieza, se obtiene un conjunto de datos
limpios.
3. Transformacion: Es el proceso de transformacion de variables con el fin de estanda-
rizar los datos y generar nueva informacion de estos. Es posible a traves de metodos
de categorizacion o aplicar funciones logarıtmicas para disminuir el orden de variables
numericas. A traves de la transformacion se puede lograr generar nuevas variables, a
traves de la combinacion de ella. La salida de esta etapa es una base de datos refinada,
lista para ser aplicado un modelo.
4. Minerıa de Datos: Es la etapa donde se aplican los modelos de minerıa de datos
sobre la base de datos limpia y transformada. Esta etapa es el centro del proceso
KDD la aplicacion de modelos permite el descubrimiento de patrones en los datos.
Desde de definir objetivo en el proceso, diferentes algoritmos pueden ser aplicados para
encontrar informacion y patrones relativos a los objetivos previamente planteados. La
seleccion de los algoritmos es clave para el exito de esta etapa, por lo que depende
directamente de los objetivos del proyecto, siendo unos objetivos, mas importantes que
otros. Estos algoritmos permiten diferentes funciones ser aplicadas a los datos tales
como agrupaciones de datos, clasificacion, regresiones, predicciones, entre otras. En
esta etapa tambien es comun aplicar pruebas de rendimiento de los modelos aplicados,
con el fin de comparar precision entre los distintos modelos aplicados y verificar los
resultados.
5. Interpretacion y Analisis: Aca es donde los resultados del proceso anterior son
obtenidos. Estos resultados son los que permiten descubrir conocimiento a traves de
los datos brutos iniciales. En esta etapa la opinion de una experto del rubro es esencial
para validar los resultados, ya que el es el mas adecuado para revisarlos y verificar la
utilidad y la validez del conocimiento generado.
19
En la figura 2.7 se describe graficamente cada uno de los pasos del proceso KDD.
Figuras 2.7: Pasos del proceso Knowledge Discovery in DatabasesFuente: Imagen de [33].
2.2.1 Data Mining
Para elegir que tipo de minerıa de datos se debe utilizar, es necesario tomar en cuenta en
las metas que se propusieron al utilizar el proceso KDD y en los pasos previos a la utilizacion
de minerıa de datos. Existen 2 grandes metas al momento de descubrir a traves de la minerıa
de datos: prediccion y descripcion. La prediccion normalmente es asociada a los metodos
supervisados de minerıa de datos, mientras que la minerıa de datos descriptiva, hace referencia
a los metodos no supervisados y a la visualizacion. La mayorıa de los metodos de minerıa
de datos se basan en el aprendizaje inductivo, donde los modelos son construidos a traves de
entrenamiento con datos, con el fin de que los modelos desarrollados, sean aplicables a casos
futuros [1].
En esta seccion se centra en los distintos metodos supervisados de minerıa de datos. En
particular, los metodos que se especializan en la clasificacion de observaciones.
Los metodos supervisados son metodos que intentan descubrir la relacion entre los atribu-
tos de entrada (variables dependientes) y un atributo objetivo (variable independiente). La
relacion encontrada se representa a traves de una estructura llamada modelo. Los metodos
supervisados se utilizan y son implementados en varias areas tales como marketing, finanzas
o inteligencia de negocios.
Los dos principales modelos de los metodos supervisados son los modelos de clasificacion
(clasificadores) y los modelos de regresion. Los modelos de regresion, se especializan en
mapear la entrada de los datos, en base a sus caracterısticas, en un dominio real (variables
20
continuas). En cambio, los modelos de clasificacion, permiten mapear la entrada de datos, en
un espacio con clases pre-definidas (variable objetivo discreta). Debido a la gran aplicabilidad
de los clasificadores, estos modelos son los mas estudiados [1].
En cuanto a los modelos de clasificacion, se puede encontrar un set de tecnicas como
clasificadores, tales como support vector machines (SVM), arboles de decision, regresio-
nes logısticas, funciones algebraicas, entre otras. Un clasificador, se entrena a traves de
aprendizaje inductivo, con un set de datos con el fin de luego predecir datos futuros.
Figuras 2.8: Esquema de los paradigmas de la minerıa de datosFuente: Imagen adaptada de [1].
2.2.2 Tecnicas de Clasificacion
Esta seccion explica las tecnicas principales de minerıa de datos para los modelos de
clasificacion.
Arboles de decision [1]
Los arboles de decision son clasificadores expresados como una particion recursiva de la
del espacio de datos. Se compone por distintos tipos de nodos, que componen a un arbol
con raıces. Es un arbol direccionado, donde tiene un nodo raız que no tiene otros nodos que
le apunten. Todos los demas nodos tienen solo 1 nodo que apunten a ellos. Los nodos que
21
apuntan a otros, fuera del nodo raız, son llamados nodos internos. Todos los demas nodos
son llamados nodos hoja.
Los nodos internos dividen el espacio en 2 o mas sub-espacios, reduciendo la dimensio-
nalidad del problema, en una funcion discreta de los valores de los atributos de entrada.
Cada division del espacio, generalmente particiona acorde al valor del atributo. En el caso
de atributos numericos, es posible utilizar rangos para la particion.
Los nodos hoja estan asociados a cada clase y representan al valor de la caracterıstica
objetivo mas apropiada. Tambien es posible asignar a cada nodo hoja, un vector de probabi-
lidad indicando la probabilidad de un atributo de tomar cierto valor. Las nuevas instancias
para ser clasificadas, deben recorrer el arbol desde el nodo raız, hasta una de los nodos hoja,
que representa una de las clases. En la figura 2.9 se puede observar un ejemplo de un arbol
de decision.
Figuras 2.9: Ejemplo de arbol de decision.Fuente: Imagen adaptada de [1].
Los arboles de decision incluyen tanto atributos nominales como atributos numericos, ya
que cada particion al pasar por un nodo interno hara un test que consultara a que camino
debe seguir. En base a este clasificador, los analistas pueden predecir los comportamientos de
cada observacion, utilizando sus distintas caracterısticas y recorriendo el arbol desde arriba
hacia abajo. Cada nodo interno del arbol de decision, es etiquetado con el atributo que
prueba y las ramas del arbol son etiquetadas con los valores correspondientes.
Los algoritmos que construyen modelos de clasificacion basado en arboles de decisiones,
tienen como objetivo minimizar el error generalizado, a traves del orden correcto de los test
de los nodos internos, es decir, de la estructura del arbol. Tambien es posible definir la
estructura del arbol, en base a otros objetivos, tales como definir una cierta cantidad de
22
nodos, minimizar esa cantidad, minimizar la profundidad del arbol completo, entre otras
maneras.
Un tıpico algoritmo de entrenamiento de modelos de arboles de decision, de arriba hacia
abajo, es la utilizacion del metodo de crecimiento y poda. Estos algoritmos son construidos
de manera recursiva, a traves del metodo de dividir y conquistar. En cada iteracion, el
algoritmo considera el resultado de la funcion discreta de los atributos de entrada, elige la
mejor y selecciona en una particion apropiada. Esto se repite hasta que las nuevas particiones
no generen una ganancia o hasta algun tipo de criterio de detencion, predefinido.
El modelo debe elegir cual es el mejor atributo para particionar el arbol y ası elegir la
mejor estructura de clasificacion, en base a las metas del clasificador. En [1] se describe el
algoritmo de arriba hacia abajo para el entrenamiento del modelo de arboles de decision.
Redes Neuronales [1]
Las redes neuronales son modelos de computo para procesar informacion y son utiles para
identificar las relaciones fundamentales dentro de un set de variables o patrones en los datos.
Las redes neuronales pueden ser utilizadas como clasificadores debido a su gran capacidad
de modelar y reconocer patrones. Las redes neuronales se adaptan muy bien a los problemas
reales, debido a que son modelos no lineales, permiten resolver problemas que tienen patrones
imprecisos o tienen datos incompletos o existe demasiada informacion.
En cuanto a clasificacion, nos centraremos en las redes neuronales MLP (multi-layer
perceptron), que son las mas utilizadas y estudiadas. Las MLP son ideales para modelar
relaciones entre un set de variables de entrada y una o mas variables de salida.
Las MLP es una red compuesta por un gran numero de unidades interconectadas llamadas
neuronas. Estas neuronas estan organizadas en capas. Cada neurona dentro de una capa,
realiza un tarea simple en base a la informacion que recibe desde las neuronas conectadas a
su entrada y entrega los datos procesados a traves de su salida.
El conocimiento obtenido en el proceso de entrada y salida para cada neurona en las
distintas capas, es guardada en los pesos asociados a cada neurona. Aunque cada neurona
implementa su funcion de forma lenta e imperfecta, la red neuronal en conjunto puede realizar
tareas difıcil de forma rapida y eficiente.
Una red neuronal se compone por distintas capas, las cuales estan ordenadas en capas de
entrada, capas escondidas y capas de salida 2.10:
23
1. Las neuronas que se encuentran en la capa de entrada, corresponden a cada una de
las caracterısticas de los datos de entrenamiento. Estas neuronas son pasivas, es decir,
no hacen procesamiento, pero estan encargadas de recibir los patrones de los datos y
entregarlos a las siguientes neuronas de las capas escondidas.
2. Las neuronas que se encuentran en la capa escondida, estan conectadas a las neuronas
de las capas de entrada y de salida. El objetivo principal de estas neuronas intermedias,
es aprender los patrones y mapear la relacion entre los datos de entrada y lo de salida.
Es posible tener mas de 1 capa intermedia, para problemas con patrones mas complejos.
3. Las neuronas que se encuentra en la capa de salida, representan cada una de las clases a
clasificar. En general no entregan retroalimentacion a las capas anteriores, pero existen
metodos de retro-alimentacion que permiten mejorar los modelos.
Figuras 2.10: Estructura de redes neuronales.Fuente: Imagen adaptada de [1].
Las neuronas de las capas escondida y capas de salida, procesan la informacion que
reciben a traves de dos pasos. Primero la informacion de entrada que recibe cada neurona,
es combinada a traves de una suma ponderada de los valores de entrada con los pesos de las
neuronas conectadas, utilizando la ecuacion 2.1 para obtener el valor de salida de la neurona
n.
Salidan = f(∑i
wixi) (2.1)
24
El siguiente paso es transformar ese valor de salida a traves de una funcion de transferen-
cia. Las funciones de transferencia mas utilizadas son la sigmoideal 2.2, la hiperbolica 2.3, la
del seno o coseno 2.4 y la lineal 2.5:
f(x) =1
1 + exp−x (2.2)
f(x) =expx− exp−x
expx + exp−x (2.3)
f(x) = sinx
f(x) = cos x(2.4)
f(x) = x (2.5)
A continuacion, se deben entrenar los parametros de los nodos de la red. Los valores
iniciales de la red son elegidos al azar y a traves del entrenamiento de cada iteracion, cambian
estos valores. Este entrenamiento es conocido como backpropagation.
La idea de este metodo es darle direccion al entrenamiento, con el fin de disminuir el error
de la red en cada iteracion, hasta llegar a un error mınimo. Cada iteracion tiene el nombre
de epoca. En general, en base a la cantidad de nodos y el tamano de la red, son necesarias
varias epocas para llegar a un error deseado.
Regresiones Logısticas [34]
Las regresiones logısticas son un metodo supervisado de minerıa de datos, similar a las
regresiones lineares multiples, pero permiten trabajar con variables dependientes categoricas.
El proposito de este analisis es estimar la probabilidad de pertenecer a cada clase. Por otro
lado, permite determinar que variables pesan mas en la determinacion de la clase.
En los casos de clasificacion binaria, si la probabilidad de una instancia de estar en una
clase es superior al 50%, entonces se asigna esa clase a esa instancia. Las regresiones logısticas
suponen que la variable dependiente es lineal en los coeficiente de las variables independientes.
25
Sea x ∈ <n el vector que denota las variables explicativas de cierto conjunto de datos
y sea y ∈ {−1,+1} el valor asociado a la clase binaria a clasificar. El modelo de regresion
logıstica esta definido por 2.6:
f(x) =1
1 + exp−βτx(2.6)
donde βτ el vector de parametros de la regresion logıstica. Si el valor de f(x) es mayor a
0.5, entonces y = 1 si no, y = −1.
La regresion logıstica se basa en entrenar los parametros βτ a traves de una funcion de
costo definida en 2.7. Es comun encontrar que la regresion logıstica se sobre-ajusta a los
datos de entrenamiento, por lo que es usual utilizar un parametro de regularizacion λ para
evitar este sobre-ajuste, como se puede observar en la ecuacion 2.8.
J(θ) = − 1
m[m∑i=1
y(i)loghθ(x(i)) + (1− y(i))log(1− hθ(x(i)))] (2.7)
J(θ) = − 1
m[m∑i=1
y(i)loghθ(x(i)) + (1− y(i))log(1− hθ(x(i))) +
λ
2m
n∑j=1
θ2j ] (2.8)
Support Vector Machine [1]
Support Vector Machine (SVM), al igual que las regresiones logısticas, es un modelo de
minerıa de datos supervisado, potente y preciso, aplicable tanto para problemas de regresion
o clasificacion, el cual es avalado debido a su fuerte fundacion teorica.
El metodo de SVM se basa en el marco de aprendizaje estadıstico, en que la maquina de
aprendizaje debe estimar una funcion que se adapte y minimice el riesgo. En SVM, se utiliza
un hiperplano para dividir y clasificar los datos.
SVM elige la funcion de hiperplano que maximice el margen entre los datos de entrena-
miento separados y, al mismo tiempo, que maximice la distancia a los datos ejemplos mas
cercanos al hiperplano. La funcion de la ecuacion 2.9, que del hiperplano, esta definida por
el producto punto entre el vector de entrada x y un vector de pesos w y el parametro b,
llamado bias. En base a la evaluacion de 2.10, permite clasificar a que clase pertenece.
26
f(x) = 〈w · x〉+ b (2.9)
yi =
{1 si 〈w · x〉+ b ≥ 0,
−1 si 〈w · x〉+ b ≤ 0.(2.10)
No siempre los datos son separables a traves de un hiperplano. Esto se puede observar en
la mayorıa de los casos reales en que los problemas no son linealmente separables, por lo que
es necesario utilizar algun tipo de tecnica para transformar los datos, a un espacio en que sı
sean separables.
Esto se puede hacer a traves de la utilizacion de un Kernel. La funcion Kernel transforma
el espacio original de los datos, en un espacio linealmente separable por un hiperplano, tal
como se puede apreciar en la figura 2.11.
Figuras 2.11: Transformacion del hiperplano separador a traves de una funcion KernelFuente: Imagen adaptada de [35].
2.2.3 Evaluacion de Metodos de Clasificacion [1]
Existen diversos metodos de evaluacion e interpretacion de las tecnicas de clasificacion
antes mencionadas:
1. Accuracy: Es la habilidad del modelo clasificador de predecir correctamente la clase
en cual datos nuevos son clasificados.
2. Velocidad: Se refiere a los costos computacionales en procesamiento y tiempo para
entrenar el modelo.
3. Robustez: Es la habilidad del modelo a manejar ruido o valores faltantes en los datos
y hacer predicciones correctas.
27
4. Escalabilidad: La habilidad del modelo de entrenar el clasificar de forma eficiente
para un set de datos mas grande.
5. Interpretabilidad: Se refiere al nivel de entendimiento o informacion que entrega el
modelo construido.
Las tecnicas mas comunes para evaluar el Accuracy de un clasificador son:
1. Metodo hold-out: Separar los datos en datos de entrenamiento y datos de prueba a
traves de un muestreo, entrenar con los datos de entrenamiento y calcular el Accuracy
con los datos de prueba. Luego repetir este procedimiento con k distintos datos de
entrenamiento y datos de prueba. El Accuracy se obtiene promediando los Accuracy
de cada iteracion.
2. k-fold cross-validation: Se separa los datos en k folds. Luego se itera k veces toman-
do, en la iteracion i, el fold i como datos de prueba y todos los demas como datos de
entrenamiento. El Accuracy se obtiene promediando los Accuracy de cada iteracion.
3. Bootstraping: Es un k-fold cross-validation, pero en la siguiente iteracion, se quita el
fold utilizado.
En ciertas condiciones, la evaluacion del Accuracy puede no ser aceptable. Es por esto
que existen alternativas al ratio de Accuracy. Si se asume un clasificador que clasifica datos
en positivos y negativos, a continuacion se presentan las alternativas mas utilizadas:
La Sensitivity evalua que tan bien el clasificador reconoce a las muestras positivas y es
definido como:
Sensitivity =verdaderos positivos
positivos(2.11)
donde verdaderos positivos corresponde al numero de las muestras positivas verdaderas y
positivos es el numero de muestras positivas totales.
La Specificity mide que tan bien reconoce las muestras negativas y esta definido como:
Specificity =verdaderos negativos
negativos(2.12)
28
donde verdaderos negativos corresponde al numero de las muestras negativas verdaderas y
negativos es el numero de muestras negativas totales.
La medida de evaluacion que el porcentaje de muestras clasificadas como positivas que
realmente son positivas, es conocida como Precision y esta definida como:
Precision =verdaderos positivos
verdaderos positivos+ verdaderos negativos(2.13)
En base a las definiciones de 2.11 y 2.12, el ratio de Accuracy puede ser definido por:
Accuracy = Sensitivity · positivos
positivos+ negativos+Specificity · negativos
positivos+ negativos(2.14)
Existen casos en que los datos de muestra no pertenecen a solo una clase, si no que pueden
pertenecer a mas de una clase. Es por esto que es necesario trabajar con clasificadores difusos,
que entregan una probabilidad de pertenecer a cada clase.
29
3 Experimento
Ciertos requerimientos son necesarios para lograr el objetivo planteado. Estos requeri-
mientos estan relacionados con el hecho de trabajar con seres humanos y los datos que se
obtienen a traves de ellos. Por otro lado, estan relacionados con el proceso de recopilacion
de los datos, ya que es una de los procesos claves para probar la hipotesis a validar. La
idea principal es trabajar con datos limpios, en un ambiente controlado, para disminuir al
mınimo errores ocurridos por variables distorsionadas. En este capıtulo desarrollara el diseno
e implementacion del experimento para lograr obtener datos limpios acorde al objetivo de
este trabajo.
3.1 Diseno
Esta seccion explica el diseno del experimento para validar la hipotesis. Para esto es
necesario desarrollar un experimento que permita probar las diferencias fısicas observables
en la pupila mientras una persona toma una decision o no. Con esta informacion, sera posible
comparar ambos escenarios y poder validar la hipotesis antes planteada.
Primero, se detallan los instrumentos y el software a utilizar, segundo se desarrollan los
requisitos en cuanto al formato y caracterısticas del sitio web que mantiene al experimento
para aislar el evento a estudiar y las imagenes de los objetos a utilizar, tercero son explicadas
las caracterısticas necesarias del grupo de prueba, luego se define el protocolo del experimento
para su replicacion y por ultimo se detalla la captura de datos a traves de los resultados.
3.1.1 Instrumentacion y Software
En la actualidad, la mayorıa de los sistemas de Eye-Tracking en el mercado tienen la
precision suficiente para este tipo de experimento, por lo que el real problema es el costo de
obtenerlos. Para este estudio es necesario un sistema de Eye-Tracking que permita obtener
toda la informacion necesaria para el experimento. Dentro de la informacion necesaria, se
encuentra la posicion en cada instante de la mirada de la persona, la precision de captura y
el diametro de la pupila, para cada ojo.
Para capturar los movimientos oculares y medir la dilatacion pupilar se utilizo un Eye-
30
Tracker de cuarta categorıa, lo que corresponde a un sistema que usa combinacion de pupila
basado en video y reflexion de cornea. Este tipo de equipos son los mas avanzados para medir
este tipo de movimientos de acuerdo al grado de precision obtenido con ellos.
En particular el equipo utilizado corresponde a un Eye-Tracker modelo Eyelink 1000,
desarrollado por ST Reseaeach company. Este dispositivos esta compuesto por una pantalla
principal con una camara de alta velocidad y un emisor infrarrojo, conectado a un computador
anfitrion. Esto permite al investigador obtener los datos del experimento de una manera
mas facil. Tambien muestra en tiempo real los estımulos que los sujetos de prueba estan
observando. La preparacion de cada experimento toma entre 5 a 10 minutos, dependiendo
de la calibracion.
Las especificaciones tecnicas del eye-tracker se pueden observar en la tabla 3.1.
Tasa de Sampleo 2000 Hz Monocular / 1000 Hz BinocularPrecision 0.25o - 0.5o precision promedioResolucion 0.01o RMS, resolucion de micro sacadas de 0.05o
Acceso a Datos en tiempo real 1.4 msec (SD < 0.4 msec) @ 2000 Hz
Tablas 3.1: Caracterısticas SR Research Eyelink 1000.Fuente: Tabla adaptada de [36].
Como antes fue mencionado, este equipo pertenece a la Facultad de Medicina de la Univer-
sidad de Chile, donde ellos proveyeron toda la informacion necesaria sobre sus componentes
y su utilizacion.
Las principales herramientas y software a utilizar en este trabajo de tıtulo son:
1. Sistema Operativo Microsoft Windows 7: Windows es un sistema operativo ba-
sado en ventanas. La primera version se lanzo en 1985 y comenzo a utilizarse de forma
generalizada gracias a su interfaz grafica de usuario (GUI, Graphical User Interface).
2. HTML: siglas de HyperText Markup Language, hace referencia al lenguaje de marcado
para la elaboracion de paginas web. Es un estandar que, en sus diferentes versiones,
define una estructura basica y un codigo (denominado codigo HTML) para la definicion
de contenido de una pagina web, como texto, imagenes, etc.
3. PHP: es un lenguaje de programacion de uso general de codigo del lado del servidor
originalmente disenado para el desarrollo web de contenido dinamico. Fue uno de los
primeros lenguajes de programacion del lado del servidor que se podıan incorporar
directamente en el documento HTML en lugar de llamar a un archivo externo que
procese los datos. Soporta ser corrido en diferentes sistemas operativos para Windows,
Mac o Linux. Algunas de sus caracterısticas son:
31
(a) Orientado al desarrollo de aplicaciones web dinamicas con acceso a informacion
almacenada en una base de datos.
(b) Es considerado un lenguaje facil de aprender, ya que en su desarrollo se simpli-
ficaron distintas especificaciones, como es el caso de la definicion de las variables
primitivas.
(c) El codigo fuente escrito en PHP es invisible al navegador web y al cliente, ya que
es el servidor el que se encarga de ejecutar el codigo y enviar su resultado HTML
al navegador. Esto hace que la programacion en PHP sea segura y confiable.
(d) Capacidad de conexion con la mayorıa de los motores de base de datos que se
utilizan en la actualidad, destaca su conectividad con MySQL y PostgreSQL.
(e) Posee una amplia documentacion en su sitio web oficial, entre la cual se destaca
que todas las funciones del sistema estan explicadas y ejemplificadas en un unico
archivo de ayuda.
(f) Es libre, por lo que se presenta como una alternativa de facil acceso para todos.
(g) No requiere definicion de tipos de variables aunque sus variables se pueden evaluar
tambien por el tipo que esten manejando en tiempo de ejecucion.
(h) Debido a su flexibilidad ha tenido una gran acogida como lenguaje base para las
aplicaciones WEB de manejo de contenido, y es su uso principal.
4. MySQL: es un sistema de administracion de bases de datos relacional, multi-hilo y
multi-usuario con mas de seis millones de instalaciones en el mundo, de codigo abierto.
Esta disponible para muchas plataformas como Windows, Linux o Mac OS. Este sistema
fue elegido debido a la facilidad de su uso y debido a lo acotado del problema.
5. CSS: lenguaje de hojas de estilos usado para describir la presentacion semantica (el
aspecto y formato) de un documento escrito en lenguaje de marcas. Su aplicacion mas
comun es dar estilo a paginas webs escritas en lenguaje HTML.
6. Matlab: Es un ambiente de computacion numerica desarrollado por MathWords
Company con un lenguaje de programacion propietario. Este sistema permite tra-
baja con datos numerico de forma sencilla, permitiendo graficar funciones, datos e
implementacion de algoritmos.
Por otro lado, el experimento consta con 3 servidores fısicos. El primero es el que el
usuario ve y tiene al frente y esta encargado de la visualizacion del experimento hacia el
sujeto de prueba, tal como se puede apreciar en la ilustracion 6. El segundo es una copia
de la pantalla que ve el usuario y se encuentra el servidor web con el experimento. Este se
encarga de recopilar y registrar todos los datos. Por ultimo, el servidor anfitrion donde se
32
aloja el software del Eye-Tracker y permite con facilidad analizar los datos. El software de
calibracion se encuentra dentro del servidor anfitrion y se puede observar en la figura 3.1.
Figuras 3.1: Servidor anfitrion ejecutando software de calibracion.Fuente: Computador Host CENI.
3.1.2 Sitio Web e Imagenes
Sitio Web
Este experimento desea utilizar la pupila como marcador fisiologico con el fin de establecer
una correlacion con la toma de decision hecha por usuarios en un sitio web. Es por esto que
33
es necesario ambientar el experimento en los sitios web:
Primero, es necesario hacer que el sujeto de prueba sienta que el experimento sea lo mas
parecido a una navegacion de un sitio web. Esto se logra a traves del uso de una pantalla,
teclado y mouse, los cuales puede utilizar libremente.
Segundo, es necesario hacer que el experimento utilice una pantalla de computador, con el
fin de que el sujeto de prueba pueda navegar a traves del experimento usando un navegador
y su mouse.
Tercero, por conveniencia del analisis de datos, es requisito que el usuario no pueda hacer
scrolling en el sitio web. Esto se logra disenando un experimento que utilice el espacio y
resolucion de una pantalla, por lo que el sujeto de prueba no necesitara utilizar del scroll del
mouse. Esto se justifica debido a que la complejidad de hacer el seguimiento de las fijaciones
del ojo sobre la pantalla aumenta debido a que hay que mapear el sitio, tomando en cuenta el
scroll. Se gana resolucion de pantalla del experimento, es decir, mas espacio de exploracion
visual, a traves de la utilizacion de la Pantalla Completa de los navegadores, la cual es posible
iniciarse en cualquier momento a traves de la tecla F11 del teclado.
Cuarto, es necesario que el sujeto de prueba pueda tomar varias decisiones dentro del
sitio web en el cual esta navegando y sea posible capturar esa informacion en una variable.
Por ultimo, en el proceso de experimentacion es necesario obtener conductas lo mas lim-
pias posibles, evitando, por ejemplo, sujetos con patologıas que influyan en el comportamiento
ocular o en los procesos cognitivos. A la vez tambien es necesario lograr una cantidad suficien-
te de sujetos que permitan obtener resultados estadısticos satisfactorios, en otras palabras,
mientras mas sujetos se registran, mas certeza de la validez de la hipotesis existe.
Imagenes
Los objetos dentro del sitio elegido para el experimento, son imagenes pre-procesadas, de
igual tamano, las cuales el sujeto de prueba puede tomar una decision haciendo click. Este
dato se debe guardar, ya que es la que define y diferencia los registros en los cuales el sujeto
tomo una decision o no.
3.1.3 Grupo Experimental
Es uno de los componentes claves para la realizacion del experimento. Dado que se trabaja
con personas, las cuales son evaluadas en sus procesos cognitivos, el grupo experimental debe
34
satisfacer una serie de caracterısticas para poder participar. Los datos obtenidos a traves del
grupo elegido, son utilizados para extrapolar los resultados al resto del universo, por lo que
la correcta eleccion de estos, es vital para la validez de los resultados y eventual conclusiones
obtenidos durante este trabajo.
En lo posible, es altamente recomendable utilizar una muestra de mınimo 20 registros
debido a que, de acuerdo con el teorema central del lımite, a medida que se aumenta la
cantidad de registros, la media y la varianza de los datos analizados seran similar al resto de
la poblacion [37]. Como se desarrolla en los siguientes capıtulos, cada sujeto entrega cientos
de registros por lo que la condicion antes mencionada, se cumple con cabalidad.
En cuanto a las caracterısticas demograficas y estado de salud de los sujetos, debido a que
se estudia la reaccion fısica de la pupila como marcador fisiologico ante una toma de decision,
es imperante que se trabaje con personas que esten en condiciones medicas aptas para hacer
el experimento. Por otro lado, es necesario registrar personas que tengan conocimientos
y experiencia trabajando con computadores, ya que el experimento requiere el uso de una
pantalla y mouse de computador. Las caracterısticas se resumen en las siguientes:
1. Personas entre 18 y 50 anos.
2. Personas sin enfermedades neurologicas y/o psiquiatricas.
3. Personas que no consuman medicamentos que afecten el sistema nervioso central (ej:
antidepresivos/ansiolıticos).
4. Personas que hayan firmado el consentimiento informado.
3.1.4 Protocolo
El experimento busca registrar el movimiento ocular y la dilatacion pupilar en cada in-
stante del tiempo, mientras que el sujeto realiza una exploracion visual del sitio y es expuesto
a distintos grupos de imagenes de valencia neutra pertenecientes a la base de datos IAPS
(International Affective Picture System) 2.1.5 que clasifica imagenes segun su valencia y
excitacion emocional.
La cantidad de imagenes que son expuestas al sujeto son 810, divididas en 90 grupos de
9 imagenes cada una. Cada una de estas imagenes son expuestas al individuo sin lımite de
tiempo y debe hacer click a una de ellas.
El proceso de la tarea es el siguiente:
35
1. Se muestra un set de 9 imagenes con contenido emocional neutro, fondo transparente, en
una cuadrilla, sin bordes, de 3x3 imagenes en las cuales el sujeto debe hacer exploracion
visual y elegir una de ellas haciendo click con el mouse. Las imagenes en una misma
grilla, pertenecen a la misma categorıa de objetos neutros, con el fin de dejar fuera los
componentes emocionales al momento de tomar una decision.
2. Una vez hecho click, se realiza un delay de 2 segundos para luego recargar la grilla con
un nuevo set de imagenes.
3. Se repite el paso I y II hasta terminar las 90 categorıas de imagenes.
En la figura 3.2 se muestra una de las pantallas con una grilla de objetos de una misma
categorıa.
Figuras 3.2: Ejemplo de pagina de eleccion para la categorıa bancasFuente: Desarrollo propio.
Debido a que se quiere encontrar la relacion entre la dilatacion pupilar al momento de
que el sujeto explora visualmente el objeto elegido, se desea aislar el comportamiento de una
toma de decision.
Primero es necesario mencionar que la utilizacion de imagenes neutras tiene el fin de
no influenciar la toma de decision hacia ciertos objetos con distinta valencia, agregando un
36
caracter emocional a la decision. Por otro lado, se toma como supuesto fuerte que el hecho
de hacer click sobre un objeto, define una toma de decision sobre este. Es por esto que, sin
importar la instruccion que se presente al sujeto de prueba, el hecho que haga click sobre el
objeto, define una toma de decision: el comportamiento que desea predecir.
Instruccion del Experimento
Para obtener la informacion necesaria con el fin de validar la hipotesis, se debe detectar
tomas de decision a traves de una instruccion adecuada, que permita al sujeto de prueba,
entre varios objetos posibles, tomar una decision.
Una instruccion posible es solicitar al usuario que haga exploracion visual del sitio y a
continuacion elija un objeto en la pantalla para luego hacerle click, sin definir un criterio en
particular. Tambien es posible definir un criterio como solicitar el objeto que mas le guste o
el que mas le desagrade.
El hecho de elegir un objeto, nos entrega una toma de decision observable, la cual nos
permite cruzar los datos con la dilatacion pupilar. Debido a que este experimento no esta
centrado en explicar el fenomeno completo de toma de decision, si no que busca definir una
marcador fisiologico, a traves de la pupila, para establecer una correlacion con la toma de
decision (en este caso, el hecho de hacer click), el criterio de decision no tiene importancia.
Dado lo anterior, es necesario que el eye-tracker tambien permita, no solo registrar los
eventos relacionados a el movimiento ocular y dilatacion pupilar, sino que tambien debe
registrar en cada instante, los eventos relacionados al hardware que utiliza el sujeto, como
los movimientos y clicks hechos con el mouse o las teclas del teclado. Es por esto que la
instruccion de este experimento es: Utilizando el mouse, elija uno de las imagenes que se
presentan en pantalla haciendo click. Con esto es posible capturar la toma de decision del
sujeto y asociarlo a el objeto clickeado.
3.1.5 Resultados
Esta seccion explica el proceso de la captura de los datos. Los datos principalmente
vienen de la salida entregada por el sistema de Eye-Tracking, utilizando imagenes dentro del
sitio web.
Para cada registro que se obtiene por cada sujeto de prueba, el sistema de eye-tracker
genera un archivo de registro EDF con la data asociada a ese experimento. Este archivo
contiene multiples campos indicando el valor de cada variable durante cada instante del
37
experimento. El archivo para ser visualizado, debe ser convertido a codificacion ASCII en
extension .asc. Un registro tıpico se ve ası:
<time><xpl><ypl><psl><xpr><ypr><psr><xvl><yvl><xvr><yvr><xr><yr>
Estas variables son:
1. <time>: Tiempo
2. <xpl>: Ojo-izquierdo posicion x
3. <ypl>: Ojo-izquierdo posicion y
4. <psl>: Tamano de pupila izquierda (area o diametro)
5. <xpr>: Ojo-derecho posicion x
6. <ypr>: Ojo-derecho posicion y
7. <psr>: Tamano de pupila derecha (area o diametro)
8. <xvl>: Velocidad instantanea x de Ojo-izquierdo (grados/seg)
9. <yvl>: Velocidad instantanea y de Ojo-izquierdo (grados /seg)
10. <xvr>: Velocidad instantanea x de Ojo-derecho (grados /seg)
11. <yvr>: Velocidad instantanea y de Ojo-derecho (grados /seg)
12. <xr>: Resolucion x (unidades de posicion/ grados)
13. <yr>: Resolucion y (unidades de posicion/ grados)
El sistema de Eye-Tracking permite obtener bastante informacion asociada al movimiento
ocular hecho por los sujetos de prueba. En base a la posicion relativa de cada uno de los ojos
en la pantalla, se puede calcular, a traves de transformaciones simples de variables, el tiempo
de permanencia de cada fijacion del usuario en cada objeto en el sitio web, el diametro de la
pupila en cada instante, las veces que vuelve a cada objeto, la precision del registro, entre
otras variables directas para cada uno de los ojos.
Por otro lado, el sistema del Eye-Tracker entrega dentro del archivo EDF todos los eventos
relacionados a la interaccion del sujeto con el hardware, para manejar el sitio web. Dentro
de estos eventos, se encuentran los eventos relacionados al click del mouse y a las presiones
de teclas del teclado. Estos eventos permitiran en el analisis de resultados, dividir cada
exploracion visual de una grilla, en distintas observaciones para un mejor analisis.
La data utilizada en este experimento viene principalmente de la interaccion del sujeto
38
de prueba con el sitio web y de la salida de datos del Eye-Tracker. La data obtenida por el
Eye-Tracker esta directamente relacionada por las acciones hechas por el sujeto de prueba.
Para recolectar esta informacion fue necesario explicar las instrucciones al sujeto de prueba,
para que luego, dadas esas instrucciones, navegara por el sitio. Esto se debio repetir para
cada registro con cada sujeto.
3.2 Implementacion
Esta seccion explica en detalle la implementacion del experimento disenado en la seccion
anterior, con el fin de alcanzar los resultados antes propuestos, detallando los componentes
principales de estos.
Se detalla cada uno de los componentes elegidos para realizar el experimento. Esto incluye
el sitio web y las imagenes elegidas, la eleccion del grupo experimental, el protocolo a utilizar
para la realizacion del experimento y los resultados en base a la captura de datos.
3.2.1 Sitio Web e Imagenes
Paginas Web
Dado los requerimientos planteados en la seccion anterior, se procedio a construir un
sitio web, el cual el usuario pudiese navegar con libertad, asimilando un sitio web comun y
corriente. El sitio web consta de 3 partes: Pagina de bienvenida, Paginas de eleccion, Pagina
de agradecimiento.
1. Pagina de bienvenida: incluye un tıtulo en que se presenta de manera escrita las
instrucciones del experimento. El moderador del experimento entrega las mismas in-
strucciones antes de comenzar el experimento. Las instrucciones son: Se le presentara
un set de 9 imagenes en una grilla de 3x3. Haciendo click con el mouse, elija una de
las imagenes.... Luego, incluye un boton clickeable, el cual tiene el texto Empezar Test,
el cual redirige al sujeto de prueba a la siguiente seccion del experimento, las paginas
de eleccion. Por otro lado, se le da la instruccion de hacer clicks rapidos y certeros, al
centro de cada objeto, con el fin de obtener resultados de la toma de decision, lo mas
limpios posibles.
2. Paginas de eleccion: consisten en presentar al sujeto de prueba un mosaico de 9
imagenes, sin espacios entre medio. Cada una de las imagenes son clickeables. Una vez
hecho el click sobre una de las imagenes, el sitio web se recarga, para continuar con
otro set de imagenes. Una vez recorridas todos los sets de imagenes, el sitio lo redirige
39
a la pantalla de agradecimiento.
3. Pantalla de agradecimiento: es la ultima fase del experimento. El sujeto de prueba
termina con esta pantalla, por lo que el experimento ha terminado y se puede retirar.
Figuras 3.3: Pagina de bienvenida de experimentoFuente: Desarrollo propio.
Imagenes a Utilizar
Las imagenes escogidas son imagenes que pertenecen al conjunto de valencia neutra,
definidas por el International Affective Picture System (IAPS), debido a que se quiere aislar
la emocionalidad de la toma de decision. Las imagenes estan repartidas en una malla de 3x3,
del mismo tamano, y distribuidas una al lado de otra en forma de cuadrıcula. Las imagenes
son links clickeables que permiten avanzar al sujeto en el experimento. Cada imagen esta
dentro de un hiperenlace, el cual esta dentro de un objeto div.
Cada imagen se pre-procesa, utilizando el software online http://pixlr.com/editor/ que
permite el manejo y transformacion de imagenes. Las imagenes a utilizar en el experimento
son todas formateadas a Portable Network Graphics (PNG) con las dimensiones 1024x768
pixeles, con fondo transparente. Luego en el experimento, cada imagen se redimensiona a
las dimensiones 384x288 pixeles con el fin de que quepan en la resolucion de la pantalla, sin
tener que hacer scroll hacia abajo o hacia los costados, como se habıa definido anteriormente
en los requerimientos.
Categorıas de Imagenes
Se utiliza un sub-set de 9 imagenes en cada pagina web que pertenecen a una misma
categorıa con el fin de no generar preferencia frente a un objeto en particular. Existe un total
de 90 categorıas haciendo un gran total de 810 imagenes de valencia neutra por experimento,
las cuales se pueden apreciar en la figura 3.2. Cada categorıa se encuentra dentro de una
carpeta con el prefijo category y sufijo n, donde n representa el numero de la categorıa. Los
archivos, dentro de cada carpeta category, estan nombrados con un prefijo de image y con el
40
valor de 1 a 9, para cada imagen, por ejemplo, para la categorıa numero 4, se guarda en la
carpeta category4 los objetos representados por botones, desde la image1 hasta la image9.
enchufe basurero libro lavadoras peinetas quitasolestaladro plato cuchillo alicate llave vestidotaza polera disket ampolleta llaves zapatotazon poleras enchufe bancos maleta polerastelevision puerta escritorio bandeja martillo ruedatelevisor refrigerador flauta basurero mesa cocinatenedor reloj florero billetera microonda toallastermo rueda frasco bufanda ollas bancostijeras sandalias gomas cepillo pala poleratoallas sarten guitarra clavos pantalon colchonestornillos secador hacha cocina panuelos serruchotuerca serrucho interruptor cojin paragua ventanauslero silbato lapices colchones paraguas cucharavelador silla lavadora copa peineta taladroventana sillas lavaplatos cuaderno pesas maletaventilador sofa libro cuchara plancha tornillos
Tablas 3.2: Lista de categorıa de objetos utilizados en el experimento con valencia netra segun IAPSFuente: Tabla de confeccion propia.
3.2.2 Grupo Experimental
El grupo experimental elegido, se baso en los requerimientos del experimento desarrollados
en el diseno de este. En total se realizaron 25 registros. No se tomaron en cuenta los registros
en los que no se pudo llegar al final del experimento.
3.2.3 Protocolos
En la implementacion del experimento, se debe seguir los siguiente pasos para poder
replicar la realizacion del experimento y obtener resultados acordes a los de este trabajo:
1. Bienvenida y relleno de documentos: En este paso, se le da la bienvenida y agradeci-
miento por participar en el experimento, se le explica en lo que consistira y se le solicita
leer y firmar el Consentimiento Informado.
2. Preparar los Equipos: Se debe encender y preparar correctamente los equipos anterior-
mente mencionados.
3. Es necesario posicionar al sujeto frente a la pantalla del computador y conectarlo al
Eye-Tracker, como se muestra en la figura 3.4. El sujeto debe estar comodo y el centro
de la pantalla debe estar a la altura de sus ojos. Por otro lado, la mesa donde esta
posicionada la pantalla y Eye-Tracker debe estar paralela al suelo, tal como se puede
observar en la figura 3.4
41
4. Luego, a traves del software de calibracion del sistema de Eye-Tracker, se procede a
calibrar el sistema con los movimientos oculares del sujeto de prueba. Este proceso
dura aproximadamente entre 5 a 10 minutos, dependiendo el sujeto. Para realizar la
calibracion, se utiliza una funcionalidad que incorpora el software del sistema de Eye-
Tracker y a traves del ajuste de la distancia y posicion de la camara o menton del
sujeto.
5. Una vez calibrado, se inicia el experimento, donde se lleva al sujeto a la pantalla de
inicio. Se le repite la instruccion en voz alta: Se le presentara un set de 9 imagenes en
una grilla de 3x3. Haciendo click con el mouse, elija una de las imagenes.... A medida
que el sujeto de prueba hace una inspeccion visual del mosaico de imagenes y luego
hace click en una.
6. Una vez pasadas las 90 categorıas, el experimento se da por finalizado y el sujeto puede
retirarse.
Figuras 3.4: Sujeto de prueba conectado al eye-tracker realizando experimento.Fuente: Laboratorio de CENI
42
3.2.4 Resultados
Una vez terminado el diseno experimento se procede a la experimentacion con sujetos,
donde se registran sus movimientos, tamano y diversos eventos oculares mediante el sistema
de camaras y software EyeLink 1000, el cual tiene la caracterıstica de tener una baja tasa de
error de 0.01 ◦visuales y una alta frecuencia de sampleo de 500[Hz]. Esto implica la toma de
datos de manera mucho mas precisa y continua.
43
4 Analisis y Resultados
Este capıtulo muestra los resultados del experimento y los datos obtenidos despues de la
aplicacion a los sujetos de prueba sobre todo el proceso detallado en las secciones anteriores.
Estos resultados son explicados de manera simple y ordenada. Tambien se presenta el analisis
de los algoritmos utilizados.
Se desarrolla en detalle cada una de las etapas del proceso KDD y se lista los resultados
complementarios a el objetivo principal encontrados a traves de la realizacion de este expe-
rimento. El proceso KDD esta separado en el pre-procesamiento de los datos, la seleccion de
variables y la transformacion de estas. Luego se plantea las posibles estrategias y modelos a
utilizar. Este proceso es nucleo del presente trabajo, ya que permite descubrir conocimiento.
Por ultimo, se presenta la interpretacion y evaluacion de los resultados encontrados a traves
de los modelos de minerıa de datos utilizados.
4.1 Proceso KDD
Se puede entender que el proceso por el cual pasa el sujeto durante el experimento, es lineal
en el tiempo, donde se pueden detectar ciertos fenomenos que se desea estudiar. Primero, a
medida que el sujeto hace una exploracion visual por el experimento, se va encontrando con
distintos objetos. Segundo, para cada objeto con el cual el sujeto observa, su pupila sufre
una cierta dilatacion. Tercero, luego de terminar la exploracion visual del sitio, la persona
hace click en el que mas le gusta.
Dado lo anterior, podemos desprender 3 eventos claves como se puede ver en la figura:
Para cada objeto observado, el sujeto primero “Ve el objeto”, luego se produce un “cambio
en el diametro de la pupila” y por ultimo el sujeto “toma la decision” si ese elegira o no
haciendo click. Dado esto, y que se guarda cual fue el objeto que realmente elige, gracias
al click, se puede diferenciar los objetos elegidos de los que no fueron elegidos. Utilizando
herramientas de minerıa de datos, es posible encontrar patrones de tomas de decision.
Tal como es mencionado en la metodologıa en el capıtulo introductorio, se procede a
utilizar el proceso KDD para validar la hipotesis, a traves del descubrimiento de conocimiento
subyacente a los datos extraıdos. Se desea generar un modelo de clasificacion binaria, en que
44
permita clasificar senales que esten relacionadas a tomas de decision y senales que no. Se
revisara el proceso en sus pasos de seleccion, transformacion, minerıa de datos y evaluacion.
4.1.1 Seleccion
Los datos a utilizar son la salida del Eye-Tracker: los archivos EDF. Estos archivos son
transformados a formato ASC y contienen cada evento ocurrido durante el experimento con
una frecuencia de 500hz, es decir, existen registros cada 2ms para cada ojo. Entre los registros,
se encuentran eventos relacionados con movimientos oculares, dilatacion pupilar, calibracion
y eventos del hardware como mouse y teclado.
En cuanto a la realizacion de la minerıa de datos, los registros a utilizar son solo los aso-
ciados a la dilatacion pupilar. Los movimientos oculares y los eventos del hardware solo son
utilizados para preparar y separar los datos en distintas observaciones para el entrenamiento
del modelo.
Debido a que se tiene los registros por experimento de ambos ojos y el movimiento de los
ojos es simetrico [9], a traves de los datos de calibracion, se realiza una comparacion entre
los errores promedios para cada ojo entregados por el Eye-Tracker, para luego utilizar los
datos del ojo con menor error promedio de calibracion, con el fin de entrenar el modelo con
los datos mas limpios posibles.
En las figuras 4.1 y 4.2 se muestran extractos de la curva de dilatacion pupilar de registros
de Eye-Tracking en el tiempo. Como se puede observar, es posible detectar distintos sectores
de la curva en el cual se presentan problemas asociados a errores de registro. En la siguiente
seccion, se detallara el pre-procesamiento de los datos para eliminar cada uno de estos tipos
de errores y la separacion de los datos en distintas observaciones para entrenar el modelo.
Figuras 4.1: Senal extraıda de mediciones con EyeLinkFuente: Desarrollo propio.
45
Figuras 4.2: Zoom a intervalo de un mosaico en senal extraıdaFuente: Desarrollo propio..
Por otro lado, en la figura 4.3 se puede apreciar un diagrama de dispersion en que grafica
los puntos de cada fijacion que hizo uno de los sujetos. Esto nos demuestra la precision de
los datos obtenidos, con respecto a la posicion movimiento ocular en la pantalla. En la figura
4.3 se pueden apreciar los 9 clusters asociados a cada uno de los objetos.
Figuras 4.3: Clusters formados por posicion (x,y) de experimento para sujeto 14Fuente: Desarrollo propio..
46
4.1.2 Pre-Procesamiento y Transformacion
Tal como se menciono en la seccion anterior, si se analiza la senal extraıda directamente
del registro se observa que es muy ruidosa y a la vez ciertos eventos oculares producen
modificaciones importantes (artefactos) en la senal. Estos artefactos deben ser tratados
a traves de un pre-procesamiento para continuar con el proceso KDD. A continuacion se
presentan los distintos artefactos, fijaciones y el pre-procesamiento a los datos con el fin de
limpiar y segmentar las distintas observaciones.
Artefactos
Parpadeos: Cada vez que el sujeto pestanea la senal pupilar se pierde, asignando un
valor cero al valor de la dilatacion pupilar. Este evento es menos recurrente que los otros
artefactos y a la vez transcurre en un intervalo de tiempo pequeno, por lo que una solucion
simple es generar una interpolacion lineal en el intervalo del parpadeo con el fin de suplir la
ausencia de datos. Esta interpolacion lineal permite obtener una senal mas suave, sin saltos
ocurridos por los parpadeos. En la figura 4.4 se puede observar la eliminacion del ruido
generado por los parpadeos.
Figuras 4.4: Correccion de artefactos producidos por parpadeos.Fuente: Banco de imagenes CENI.
Sacadas: Los artefactos por sacadas se deben a que estos movimientos pueden producir
una variacion instantanea considerable en la senal pupilar ya que, por ejemplo, al generar
una sacada hacia arriba de manera instantanea se pierde de vista parte de la region pupilar,
generando una disminucion de la senal de la misma rapidez. Este cambio en la senal es facil
de diferenciar del comportamiento general ocular debido a su rapidez, donde la pupila puede
llegar a recorrer hasta 60◦angulares en 20[ms], con lo que se puede definir un movimiento
sacadico si la velocidad pupilar alcanza un cierto umbral.
47
Una vez localizadas las sacadas se corrigen estas variaciones instantaneas generadas mo-
viendo toda la senal desde el final de una sacada hacia el punto donde se comenzo el evento
e interpolando linealmente en el intervalo del evento. Esto se puede apreciar claramente en
la figura 4.5.
Figuras 4.5: Eliminacion de offsets producidos por sacadasFuente: Banco de imagenes CENI.
Parpadeos como sacadas: En varias ocasiones dentro del registro, se puede observar
una secuencia de eventos que representa un error de medicion. Esta secuencia esta definida
por una sacada, luego un parpadeo para terminar con otra sacada. Esto se debe a que
mientras el sujeto esta parpadeando, el eye-tracker sigue registrando la senal pupilar por lo
que en varias ocasiones un parpadeo es confundido con esta secuencia. Para limpiar este
error de medicion, se procede a transformar esta secuencia en un solo parpadeo, eliminando
ambos registros de sacadas.
Alta Frecuencia: Aparte de la correccion de artefactos tambien es util la eliminacion
del ruido de alta frecuencia en la senal. En el registro pupilar se puede observar que existen
rapidas y pequenas variaciones que se deben al error de medicion de hardware. Una manera
de eliminar este ruido es a traves de un filtro de frecuencias pasa-bajo.
Al aplicar un filtro de frecuencias pasa-bajo se debe tener el cuidado de no eliminar
frecuencias que correspondan a la senal pupilar. Un resultado de la eliminacion de la altas
frecuencias se puede observar en la figura 4.6, donde se analizo el espectro de frecuencias de
un analisis de Fourier llegando a una frecuencia de corte de 2 [hz].
48
Figuras 4.6: Zoom a la senal pupilar al aplicar filtro de altas frecuenciasFuente: Banco de imagenes CENI.
Observaciones
El comportamiento ocular de una persona puede verse como una sucesion sacadas y
fijaciones con parpadeos habituales, por ejemplo en este experimento es de esperarse que el
sujeto al pasar de un objeto a otro dentro del mosaico lo haga con una sacada seguido de
una fijacion y ası sucesivamente, en la figura 4.7 se puede ver una representacion grafica de
este suceso, enumerando la posicion de 1 a 9 dependiendo del objeto en la que se encuentra
el sujeto se puede ver su comportamiento de exploracion a traves del tiempo a la vez que se
marcan los intervalos de sacadas y fijaciones en esta representacion.
Figuras 4.7: Comportamiento donde se ve patron de sacada-fijacion asociado al id del objetoFuente: Desarrollo propio.
A continuacion es necesario definir la naturaleza de las observaciones que se utilizaran
para entrenar el modelo de clasificacion:
49
1. Una observacion comienza en el momento que inicia una fijacion dentro de un objeto y
la fijacion anterior fue en un objeto distinto al actual.
2. Se considera una observacion, si y solo si, el sujeto permanece haciendo exploracion
visual por mas de 300ms dentro del area visual del mismo objeto.
3. Una observacion termina al momento que el sujeto hace una sacada hacia otro objeto
y comienza una nueva observacion.
4. Una observacion no se considera, si el sujeto realiza una fijacion fuera del area definida
por la grilla de 3x3 de objetos.
5. Una observacion consta de la senal de dilatacion pupilar, desde su comienzo hasta los
siguientes 600ms.
Por ultimo es necesario definir para cada observacion, si fue una toma de decision o no.
Esto se logra a traves de los eventos del hardware, en particular, a traves de los clicks hechos
con el mouse.
Antes de todo, es necesario mencionar que todas las observaciones de una misma grilla de
objetos, esta separada por un click. Dado el diseno del experimento, cada vez que el sujeto
elije un objeto, se recarga una nueva grilla con una nueva categorıa de objetos. En otras
palabras, cada grupo de observaciones, esta en un subconjunto llamado grilla. Esto facilita
la agrupacion de observaciones y el etiquetado de la toma de decision.
Cada vez que el sujeto hace click para elegir un objeto en particular, se calcula la posicion
del mouse para obtener el identificador del objeto al cual se le hizo click para esa grilla. El
identificador puede ser del 1 al 9 (o 0 en caso de que el click no este dentro del area de
la grilla de objetos) donde cada identificador representa un objeto en la grilla, tal como se
puede observar en la figura 4.8. Luego, para cada grilla, se asigna un parametro de decision
con valor igual a 1 a todas las observaciones de esa grilla, que sean el objeto que se le hizo
click. Para todas las demas, se les asigna un parametro de decision con valor igual a 0.
50
Figuras 4.8: Orden de asignacion de identificador a grilla de objetos en experimentoFuente: Desarrollo propio.
En base a esto, se obtienen cientos de observaciones de 600ms, las cuales tienen asignadas
un valor 1 si es que fueron clickeadas y un valor de 0 en lo contrario.
Transformacion
Para hacer cada una de estas observaciones comparables, es necesario estandarizarlas.
Esto se logra a traves de la utilizacion de la transformacion z-score y ajustando la lınea base.
1. Z-score: Calcula la media y la varianza para cada observacion y transforma la distri-
bucion a una media de 0 y varianza de 1, haciendo los valores comparables.
2. Lınea base: Eliminacion de lınea base, utilizando los 200ms anteriores a cada senal.
Esto permite centrar las observaciones para una mejor apreciacion.
Validacion hipotesis
En base al pre-procesamiento hecho y a las transformaciones hechas las observaciones, es
posible obtener algunos resultados por sujeto y el promedio de todos los objetos.
51
En la figura 4.9 se puede apreciar el promedio de las curvas de dilatacion pupilar para
el sujeto 9 y el sujeto 14, agrupados por toma de decision (parametro de decision igual a
1) y por no toma de decision (parametro de decision igual a 0). Es importante mencionar
que no todas las curvas alcanzan los 600ms, debido a que durante la exploracion visual, no
necesariamente un sujeto se mantendra observando a un mismo objeto durante 600 o mas
milisegundos.
Figuras 4.9: Promedio inter-sujeto para curvas de decision y no decision de dilatacion pupilar normalizadaversus tiempo
Fuente: Desarrollo propio.
En la figura 4.9, se puede ver claramente la diferencia entre las curvas de decision y la
de no decision, sin embargo, no es interesante evaluar este patron individualmente, si no que
es interesante en la poblacion general y no solo en 2 sujeto de prueba. Tambien se puede
apreciar la variabilidad que hay de un sujeto a otro.
A traves de la promediacion de todas las curvas de los sujetos, separadas por decision y no
decision, en 4.10 se logra generar dos curvas que representan a todos los sujetos de prueba. En
base a estas curvas, se puede calcular la confianza y definir si son estadısticamente distintas.
52
Figuras 4.10: Promedio de todos los sujetos para curvas decision y no decision de dilatacion pupilarnormalizada versus tiempoFuente: Desarrollo propio.
Para hacer un test estadıstico que permita contrastar ambas curvas, es primero necesario
probar si siguen una distribucion normal. Esto se puede lograr a traves del test de Lilliefors
de normalidad. Esto se realiza con la funcion lillietest de Matlab. El resultado del test nos
entrega un valor de 0.0970, el cual es mayor al valor crıtico de 0.0518, por lo que la hipotesis
se rechaza con una significancia de 0.05, es decir, no siguen una distribucion normal.
Luego para validar la hipotesis de esta memoria Los cambios del diametro de la pupila en el
tiempo son una variable predictiva dependiente relevante en las tomas de decision proximas,
se procede a realizar un test estadıstico que permita contrastar ambas curvas con cierta
confianza. Esto se puede lograr a traves del test de Wilcoxon que permite comparar dos
grupos emparejados en alguna variable continua, sin el supuesto de normalidad. Esto se
realiza con la funcion ranksum de Matlab. El resultado del test nos entrega que la hipotesis
se rechaza con una significancia de 0.05, es decir, las curvas de decision y no decision no
tienen la misma media.
Con esto se puede concluir y validar la hipotesis, ya que para los objetos explorados por
los sujetos que luego fueron clickeados, la pupila se comporta de manera estadısticamente
53
distinta, con una significancia de 0.05.
El siguiente paso, es desarrollar un modelo clasificador binario, que permita clasificar
nuevas curvas de dilatacion pupilar, en decision y no decision.
4.1.3 Minerıa de Datos
En base a las observaciones obtenidas y las caracterısticas de cada una de ellas, se procede
a realizar distintos modelos de clasificacion binaria. Se utilizan algoritmos de aprendizaje
surpervisado, donde la caracterıstica a utilizar es la dilatacion pupilar del sujeto para cada
observacion y la variable objetivo es el parametro de toma de decision 1 o 0. A continuacion
se listas los algoritmos y parametros a utilizar:
1. RegLog: Los parametros iniciales que necesita este algoritmo son, por una parte, el
termino de regularizacion lambda, y por otra parte, los parametros a entrenar theta.
2. Support Vector Machine: Este algoritmo necesita de una funcion de Kernel para
realizar su entrenamiento.
3. Redes neuronales: Es necesario definir la cantidad de capas para configurar la red
neuronal.
En 4.1 se presenta una tabla con los resultados obtenidos para cada uno de los clasifica-
dores:
Clasificador Accuracy RecallRegresion Logıstica 75% 12%Support Vector Machine 72% 15%Redes Neuronales 82% 19%
Tablas 4.1: Resultados clasificador binario.Fuente: Desarrollo propio
Como se puede observar, los resultados entregan un alto Accuracy pero un extremada-
mente bajo Recall. Esto se debe a que los casos en que la variable objetivo es 1, es decir,
una toma de decision, son eventos raros, por lo que el clasificador prefiere clasificar mejor a
a la variable objetivo cuando es 0, es decir no decision, ya que son 10 veces mas que estos
eventos raros, mejorando de gran manera el Accuracy pero entregando un bajo Recall.
Esto ultimo, puede ser visualizado a traves de la curva ROC de las redes neuronales. La
curva ROC para los datos de entrenamiento, validacion, testing y total, se pueden observar
en la figura 4.11
54
Figuras 4.11: Curva ROC del experimento utilizando redes neuronales como clasificadorFuente: Desarrollo propio.
El Recall permite obtener la probabilidad que un dato obtenido de forma aleatoria, sea
relevante para la busqueda. En particular, en este caso los datos que interesan son los eventos
raros de tomas de decision. Por lo que si a traves del clasificador obtenido el Recall es bajo,
la probabilidad de clasificar bien los datos que sean eventos raros sera baja, haciendo que la
prediccion no sea correcta.
4.2 Mapas de Calor
A traves de la utilizacion de los datos obtenidos en los experimentos realizados, es posible
confeccionar mapas de calor de fijaciones con las coordenadas observadas por mas tiempo.
Esto se realiza a traves del uso de una matriz de 1600x900 donde cada par (x, y) de la matriz,
representa un pixel en la pantalla.
Primero se obtiene la matriz de fijaciones para cada individuo en base al promedio de
tiempo de permanencia en cada punto. Luego las matrices se suman obteniendo una matriz
que representa a todos los individuos. Por ultimo se utiliza un filtro pasa bajo para suavizar
55
la imagen. En la figura 4.12 podemos apreciar el mapa de calor de fijaciones para la categorıa
vestidos de todos los sujetos.
Figuras 4.12: Mapa de calor de fijaciones promedio de todos los sujetos para la categorıa vestidosFuente: Desarrollo propio.
Por otro lado, a traves de la utilizacion de los cambios de diametro de la pupila, se pueden
confeccionar mapas de calor que representen las coordenadas observadas en que la pupila tuvo
una mayor dilatacion.
Primero se obtiene la matriz de dilataciones para cada individuo, con el promedio para
cada coordenada, en base a la serie de tiempo de la dilatacion pupilar en z-score. Luego las
matrices se suman obteniendo una matriz que representa a todos los individuos. Por ultimo
se utiliza un filtro pasa bajo para suavizar la imagen. En la figura 4.13 podemos apreciar el
mapa de calor de dilatacion pupilar para la categorıa vestidos de todos los sujetos.
Figuras 4.13: Mapa de calor de dilatacion pupilar promedio de todos los sujetos para la categorıa vestidosFuente: Desarrollo propio.
56
Cabe destacar que, en base al orden de 1 a 9 en la grilla para la categorıa vestidos, el
vestido con id 5 fue elegido el 40% de las veces, los vestidos 1 y 2 fueron elegidos el 20%
de las veces, los vestido 4 y 7 fueron elegidos el 10% de las veces, mientras que los demas
vestidos nunca fueron elegidos.
En base a esto, se tiene como resultado que tanto el mapa de calor de fijaciones como
el de dilatacion pupilar son certeros en cuanto a los puntos de mayor convergencia, ya que
para el mapa de fijaciones, los vestidos mas observados fueron los 1, 4 y 5, mientras que
para el mapa de calor de dilatacion pupilar fueron el 4 y el 5. Es decir, si se elijen 2 de los
vestidos, en base a las probabilidades recien dadas, utilizando la informacion entregada por
el mapa de calor de dilatacion pupilar, se tiene una probabilidad del 60% elegir un vestido
que en el futuro sera clickeado, es decir, una excelente prediccion (60%) a bajo costo (2 sobre
9 imagenes).
57
5 Conclusiones
El presente trabajo de tıtulo tiene por objetivo descubrir la relacion entre la dilatacion
pupilar y la toma de decision. A continuacion, a traves de metodos estadısticos y el proceso
KDD, se rescata la relacion entre las variables estudiadas y se genera un clasificador binario
de toma de decision.
Se procede a recopilar informacion para lograr los objetivos de desarrollo del estado del
arte de los temas en cuestion. La toma de decision es un area de la neurociencia que no se
ha desarrollado su relacion con la dilatacion pupilar. Gracias a los experimentos realizados
en este trabajo de tıtulo, se puede afirmar que los analisis de dilatacion pupilar, exhiben una
relacion cuantitativa con las tomas de decision en sitios web.
De los analisis y resultados obtenidos se pueden extraer distintas conclusiones que se
listan a continuacion:
• La dilatacion pupilar muestra patrones de comportamiento marcados en relacion con
las tomas de decisiones, como se puede observar en las figuras de curvas de prome-
dio de todos los sujetos en la seccion de 4. Este fenomeno se considera significativo
estadısticamente hablando, con una significancia razonable.
Sin embargo, los esfuerzos por hacer un clasificador binario de tomas de decision, no
bastan para obtener un clasificador de calidad, debido a que, como se puede observar
en el capıtulo de resultados 4, entrega una Accuracy alta, pero con una Recall extre-
madamente baja. Es decir, el comportamiento que nos interesa estudiar y clasificar, no
es bien clasificado.
• La toma de decisiones contextualizada en este experimento, se puede caracterizar como
un evento raro, por lo que los clasificadores comunes utilizados no son recomendables
para el analisis de este tipo de datos. Se propone utilizar clasificadores de eventos raros
o utilizar tecnicas de transformacion de los datos.
• Dentro de las posibles soluciones a la deteccion de eventos raros, es posible la aplicacion
de las siguientes tecnicas: a) Sobre-Muestreo de los Casos Raro; es decir, replicar los
casos raros para que queden en misma cantidad que los casos comunes, b) Hacer un
muestreo de los casos comunes e igualar a cantidad de casos raros, o c) Cambiar los
costos de la matriz de confusion, es decir, castigar a la funcion optimizadora que entrena
58
al modelo de clasificacion, con mayor costo en caso de una mal clasificacion a los eventos
raros.
• La variabilidad de comportamiento de la dilatacion pupilar inter-sujeto es demasiado
alta como para concluir la hipotesis a nivel individuo. Sin embargo, al promediar todos
los sujetos, tal como se muestra en 4 se obtiene el resultado con significancia estadıstica.
Es se explica debido a que, aunque la variable predictiva como marcador fisiologico sea
distinta inter-sujeto, la tendencia y forma de la curva es distinta en promedio, para la
poblacion.
• El criterio de decision de los sujetos fue libre en cada uno de los registros, sin embargo,
aunque todas las razones de la decision ensucian el predictor, al mezclar todas las
posibles razones por la cual las persona decide, se logra un factor comun generico de la
decision de click.
• En base a lo descubierto, se propone detectar cuales son las caracterısticas mas impor-
tantes de la curva de dilatacion pupilar que diferencian una decision a una no decision.
Esto permite generar modelos de clasificacion empıricos, replicables y accionables, con
el fin de aportar a la metodologıa de mejoramiento de sitios web.
• A traves de la utilizacion de mapas de calor de fijaciones y de dilatacion pupilar, es
posible predecir con alta probabilidad de acierto a que objeto el sujeto hara click al
momento de tomar decisiones, a un muy bajo costo. Permitiendo abstraernos del click
y utilizar la dilatacion pupilar como un muy buen predictor de este.
• Aunque la dilatacion pupilar sea un buen predictor del click al momento de tomar
decisiones, el costo de obtener los datos de la dilatacion pupilar es bastante elevado,
ya que es necesario hacer experimentos con sujetos conectados a un eye-trackers, por
lo que este trabajo abre la discusion sobre cual de los dos metodos es conveniente para
predecir clicks de usuarios en sitios web.
5.1 Trabajo futuro
Con el fin de continuar con el estudio de la comprension de la relacion de las tomas de
decisiones con la dilatacion pupilar, se propone realizar las siguientes tareas:
• Grupo experimental: Para obtener resultados con mayor significancia es recomen-
dable aumentar el numero de sujetos a analizar.
• Analisis de dilatacion pupilar: En el presente estudio, el clasificador con mejores
resultados no alcanza el 50% de Recall. Por lo mismo, se propone considerar distintas
opciones para mejorar los resultados. Primero, se pretende utilizar nuevas o modi-
59
ficadas caracterısticas que representen en mayor medida a la dilatacion pupilar, por
ejemplo, agregar caracterısticas de dilatacion y contraccion maxima, aceleracion y ve-
locidad de curva. Segundo, se propone integrar mas restricciones a la consideracion
de dilataciones pupilares como validas, por ejemplo, re-definir las caracterısticas de las
curvas validas. Tercero, aplicacion de transformadas de series de tiempo para generar
nuevas caracterısticas para el clasificador binario. Cuarto, se buscaran nuevos algorit-
mos supervisados, que contengan comportamientos menos lineales que los usados hasta
el momento, por ejemplo, algoritmos clasificadores de eventos raros.
• Identificacion de Website Keyobjetcs : Una vez que el clasificador se encuentre
terminado, se propone generar mapas de calor asociados a la probabilidad de tomas de
decision de hacer click.
60
Bibliografıa
[1] O. Maimon and L. R. (Eds.), The Data Mining and Knowledge Discovery Handbook.Springer, 2005.
[2] J. D. Velasquez, “Combining eye-tracking technologies with web usage mining for iden-tifying website keyobjects,” Engineering Applications of Artificial Intelligence, vol. 26,no. 5–6, pp. 1469 – 1478, 2013.
[3] L. Dujovne and J. D. Velasquez, “Design and implementation of a methodology foridentifying website keyobjects,” in Proceedings of the 13th International Conference onKnowledge-Based and Intelligent Information and Engineering Systems, pp. 301–308,KES, 2009.
[4] J. D. Velasquez, L. E. Dujovne, and G. L’Huillier, “Extracting significant website keyobjects: A semantic web mining approach,” Engineering Applications of Artificial Intelli-gence, vol. 24, no. 8, pp. 1532 – 1541, 2011. Semantic-based Information and EngineeringSystems.
[5] N. F. Ali-Hasan, E. J. Harrington, and J. B. Richman, “Best practices for eye tracking oftelevision and video user experiences,” in Proceedings of the 1st international conferenceon Designing interactive user experiences for TV and video, pp. 5–8, ACM, 2008.
[6] F. J. A. Fernandez, J. F. Perez, and S. F. Lopez, Oftalmologıa en Atencion Primaria.Alcala, 2002.
[7] B. Cassin, M. L. Rubin, and S. Solomon, Dictionary of eye terminology. Wiley OnlineLibrary, 1984.
[8] J. E. Russo, “Eye fixations can save the world: A critical evaluation and a comparisonbetween eye fixations and other information processing methodologies.,” Advances inconsumer research, vol. 5, no. 1, 1978.
[9] S. Marcos, “Calidad optica del ojo,” Investigacion y ciencia, no. 345, pp. 66–74, 2005.
[10] P. J. A. Unema, S. Pannasch, M. Joos, and B. M. Velichkovsky, “Time course of infor-mation processing during scene perception: The relationship between saccade amplitudeand fixation duration,” Visual Cognition, vol. 12, no. 3, pp. 473–494, 2005.
[11] K. Rayner, “Eye movements in reading and information processing: 20 years ofresearch.,” Psychological bulletin, vol. 124, no. 3, p. 372, 1998.
[12] I. E. Loewenfeld and O. Lowenstein, The pupil: Anatomy, physiology, and clinicalapplications. Iowa State University Press Ames, 1993.
[13] C. M. Privitera, L. W. Renninger, T. Carney, S. Klein, and M. Aguilar, “Pupil dilationduring visual target detection,” Journal of Vision, vol. 10, no. 10, 2010.
61
[14] P. Gupta, H. Mehrotra, A. Rattani, A. Chatterjee, and A. Kaushik, “Iris recognitionusing corner detection,” in Proceedings of 23rd International Biometric Conference (IBC2006), Montreal, Canada, 2006.
[15] R. S. Lazarus and S. Folkman, “Stress,” Appraisal and Coping, New York, 1984.
[16] W. Einhauser, C. Koch, and O. L. Carter, “Pupil dilation betrays the timing ofdecisions,” Frontiers in human neuroscience, vol. 4, 2010.
[17] M. M. Bradley, L. Miccoli, M. A. Escrig, and P. J. Lang, “The pupil as a measure ofemotional arousal and autonomic activation,” Psychophysiology, vol. 45, no. 4, pp. 602–607, 2008.
[18] G. J. Siegle, S. R. Steinhauer, C. S. Carter, W. Ramel, and M. E. Thase, “Do theseconds turn into hours? relationships between sustained pupil dilation in response toemotional information and self-reported rumination,” Cognitive Therapy and Research,vol. 27, no. 3, pp. 365–382, 2003.
[19] D. Noton and L. Stark, “Scanpaths in saccadic eye movements while viewing andrecognizing patterns,” Vision research, vol. 11, no. 9, pp. 929–IN8, 1971.
[20] L. R. Young and D. Sheena, “Survey of eye movement recording methods,” BehaviorResearch Methods & Instrumentation, vol. 7, no. 5, pp. 397–429, 1975.
[21] J. A. Schirillo, “Pupil dilations reflect why rembrandt biased female portraits leftwardand males rightward,” Frontiers in Human Neuroscience, vol. 7, no. 938, 2014.
[22] A. Duchowski, Eye tracking methodology: Theory and practice, vol. 373. Springer, 2007.
[23] A. E. Kaufman, A. Bandopadhay, and B. D. Shaviv, “An eye tracking computer userinterface,” in Virtual Reality, 1993. Proceedings., IEEE 1993 Symposium on ResearchFrontiers in, pp. 120–121, IEEE, 1993.
[24] A. Bulling, J. A. Ward, H. Gellersen, and G. Troster, “Eye movement analysis for activityrecognition using electrooculography,” Pattern Analysis and Machine Intelligence, IEEETransactions on, vol. 33, no. 4, pp. 741–753, 2011.
[25] R. S. Rele and A. T. Duchowski, “Using eye tracking to evaluate alternative searchresults interfaces,” in Proceedings of the Human Factors and Ergonomics Society AnnualMeeting, vol. 49, pp. 1459–1463, SAGE Publications, 2005.
[26] A. Poole and L. J. Ball, “Eye tracking in hci and usability research,” Encyclopedia ofHuman-Computer Interaction, C. Ghaoui (ed.), 2006.
[27] J. Beatty, “Task-evoked pupillary responses, processing load, and the structure ofprocessing resources.,” Psychological bulletin, vol. 91, no. 2, p. 276, 1982.
[28] D. Kahneman and J. Beatty, “Pupil diameter and load on memory.,” Science, 1966.
[29] M. Sarter, B. Givens, and J. P. Bruno, “The cognitive neuroscience of sustained at-tention: where top-down meets bottom-up,” Brain research reviews, vol. 35, no. 2,pp. 146–160, 2001.
62
[30] S. R. Steinhauer, G. J. Siegle, R. Condray, and M. Pless, “Sympathetic and parasym-pathetic innervation of pupillary dilation during sustained processing,” InternationalJournal of Psychophysiology, vol. 52, no. 1, pp. 77–86, 2004.
[31] P. J. Lang, M. M. Bradley, B. N. Cuthbert, et al., “Motivated attention: Affect, ac-tivation, and action,” Attention and orienting: Sensory and motivational processes,pp. 97–135, 1997.
[32] M. M. Bradley and P. J. Lang, “Measuring emotion: the self-assessment manikin and thesemantic differential,” Journal of behavior therapy and experimental psychiatry, vol. 25,no. 1, pp. 49–59, 1994.
[33] U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “From data mining to knowledgediscovery in databases,” AI magazine, vol. 17, no. 3, p. 37, 1996.
[34] R. Christensen, Log-Linear Models and Logistic Regression, 2th Edition. Springer, 1997.
[35] B. Liu, Web data mining. Springer, 2007.
[36] S. R. Ltd, EyeLink User Manual. 2005 - 2008.
[37] J. Blaiotta and P. Delieutraz, “Teorema central del limite,”
63